Автореферат (Специализированные микропроцессоры со встроенными устройствами аппаратной реализации интеллектуального управления на основе сетей элементарных нечетких вычислителей), страница 4

Подобный принцип используется при синтезекомбинационных схем, при построении сложных конечных автоматов как композицииболее простых и др.Предлагаемые решения отличаются от известных классом реализуемых функций,относящихся к классу нечетких функций; применением идентичных вычислительныхэлементов и ориентацией на задачи анализа и синтеза нечетких вычислительныхструктур в практике применения микропроцессорных систем управления.БНЗ ЭНВ (“базис”) может быть сформирован универсальным, пригодным длярешения широкого круга задач аппроксимации, или специальным – для оптимальнойреализации (с точки зрения точности и одновременной простоты сети ЭНВ) некоторогоспецифического множества функций.Анализ существующих нечетких вычислителей показывает, что наиболее частоприменяемая из существующих модель операции дефаззификации «средневзвешенноемаксимумов» обеспечивает недостаточно высокую точность нечеткой аппроксимациина границах действия правил.

Для повышения точности разработчики математического14обеспечения прибегают к увеличению числа термов и правил, тем самым увеличиваясложность базы нечетких знаний и, следовательно, снижая темп ее обработки.Для преодоления указанного недостатка и повышения точности нечеткихвычислений на основании анализа применяемых способов дефаззификациипредлагается модифицировать операцию дефаззификации, используя для расчетавыходного значения соотношениеM Ymax i   μ ki i 1 k 1NNM μi 1 k 1,kiгде N – число правил нечеткого контроллера, M – число элементов части „Если‟каждогоправила.Такимобразом, вес очередного правила определяетсянеминимальной степенью уверенности условий, составляющих часть „Если‟, а ихпроизведением.

Анализ проведенных автором серий экспериментов показал, чтоприведенная погрешность нечеткой аппроксимации снижалась при использовании этоймодели дефаззификации в среднем на порядок при незначительной модификациивычислительной модели.В целях снижения сложности нечеткого описания предлагается обеспечить ЭНВвозможностью оперировать функциями принадлежности произвольного вида; решениеосновано на использовании просмотровых таблиц (массивов значений функцийпринадлежности) – рис. 3. Это позволяет тривиальным образом задавать любыенелинейные функции принадлежности, свести задачу вычисления их значений к задачеиндексации массива, тем самым снизив сложность и, косвенно, повысив скоростьвыполнения дефаззификации.В главе описана методика разработки описания нечеткого контроллера сиспользованием нелинейных функций принадлежности.15Потребность снижения временных затрат на выполнение нечетких вычисленийставит задачу поиска эффективных вычислительных схем для выполнения нечеткихопераций и их алгоритмического воплощения.

С использованием представленных в главеметода дефаззификации и способа описания функций принадлежности, предложена схемаорганизации нечетких вычислений (рис. 4) и соответствующий алгоритм (рис. 5),обеспечивающие увеличение точности нечетких вычислений и снижение времени ихвыполнения в сравнении с известными подходами, так как позволяют использоватьпроизвольные виды термов, при этом временные затраты на фаззификацию не зависят отвида терма и являются минимальными из возможных (поскольку выполнениефаззификации эквивалентно процедуре индексации массива, хранящего развертку функциипринадлежности, текущим значением соответствующей входной переменной).Рис. 4.

Схема организации нечетких вычислений.16Переход кследующему XiОбнулить базувременныхпеременныхСчитать числоправил, входов,выходовНетЧтение очередногоYLиз таблицывыходных термовЧтение из таблицывыходных термоввеса терма ТiуLдля YLОбработанывсе входы?Да1Считать очередноеправило RjСчитать номертерма Txirj из Rj дляочередного XiНетСчитать номертерма Tyirj из Rj дляочередного YiЧтение из базымаксимумовМax(TiyL)Tyirjиспользуется?Умножение Мax навес терма, сохранение,переход кследующему термуДаНетTxirjиспользуется?ДаОбработанывсе термы?H(Tyirj):=H(Tyirj)+ (Rj)ДаСчитатьиз базы термовзначение (XiTxirj)НетПервыйпроход по Rj?НетYL:=(Maxi*Пi)/ ПiПереход кcледующему YLПереход кcледующему YiДа(Rj):=(Rj)*(XiTxirj)Обработанывсе выходы?НетОбработанывсе выходы?ДаДа(Rj):=(XiTxirj)Обработанывсе правила?ДаНет1Рис.

5. Последовательность выполнения этапов нечетких вычислений.17НетДалее в главе приведены примеры ЭНВ и сетей на их основе, решающих задачиаппроксимации функции одной переменной сетью ЭНВ с линейным базисом,аппроксимации функции одной переменной сетью ЭНВ с нелинейным базисом,аппроксимации функций нескольких переменных сетями ЭНВ с нелинейнымибазисами.На рис. 6 приведено описание БНЗ, обеспечивающей аппроксимацию первоговида, а на рис. 7 - структурная схема ЭНВ на ее основе.

Его сигналами ввода-выводаявляются: входная величина: x; выходная величина и ее нечеткая инверсия: y и ny;номер реализуемой нечетким контроллером передаточной характеристики: y_num (вида“д”, “е” или “ж” на рис. 6); величина вертикального сдвига: b; величина усиления: k;сигнал разрешения функционирования НК: E; начальное и конечное значениядиапазона входной величины, на котором НК активен: x_n и x_k; значение выхода НК впассивном состоянии: mm; входные контакты для каскадного включения casc, с1, с2;выходное значение компаратора сигналов и его нечеткая инверсия comp и ncomp.

Блокfuzz обеспечивает вычисление трех передаточных характеристик (рис. 7, б, в, г) сзадаваемым параметром k коэффициентом усиления; их выходные сигналымасштабируются блоками scale2-scale4 и передаются на селектор mult, повторяющий навыходе ту, чей номер соответствует значению y_num. Далее информация вновьпоступает на модуль fuzz для выполнения вертикального сдвига, интенсивностькоторого задается величиной b. Далее, следуя установленной схеме соединений,полученное значение поступает на компаратор comp1, сравнивающий текущее значениевыхода блока fuzz с выходным значением в точке casc и выбирающий из нихнаименьшую в текущий момент времени величину.С выхода блока comp1 сигнал поступает на блок cut1, который проверяет,находится ли текущее значение входного сигнала x внутри рабочего диапазона[x_n..x_k]; если да – передает на свой выход выходной сигнал блока comp1, если нет –передает на свой выход значение mm.Блоки comp1 и cut1 необходимы для обеспечения возможности сопряжения междусобой участков, формируемых различными ЭНВ сети.Comp2 – вспомогательный компаратор, обеспечивающий простоту построенияиерархически организованных структур на основе ЭНВ.Разрешение работы ЭНВ обеспечивается логическим значением true на входе E.18а)б)в)г)д)е)ж)Рис.

6. ЭНВ для линейной аппроксимации: структура (а), входные и выходные термы (б),фрагмент правил (в), передаточные функции выходов (г-ж).Рассмотрим построение сети ЭНВ указанного типа для решения задачиаппроксимации заданной одномерной нелинейной зависимости вида:19а)б)в)г)Рис. 7. Структурная схема (а) и передаточные функции (б-г) ЭНВ с линейным базисом.Структура соответствующей сети ЭНВ представлена на рис. 8. Каждый отрезок награфике реализуется отдельным ЭНВ; левая и правая части зависимости зеркальносимметричны и генерируются верхней и нижней частями сети ЭНВ, соответственно.Последовательность активизации ЭНВ определяется кольцевым регистром сдвигов,реализованном на триггерах s1, s2, s4, s6, s7, s9, s10.Использование возможности задания функций принадлежности произвольноговида обеспечивает реализацию необходимых нелинейных зависимостей “вход–выход”,повышая качество аппроксимации (рис.

9). Снабжение ЭНВ этапом предварительногонелинейного преобразования входного сигнала (пример функций принадлежностипоказан на рис. 9, в) обеспечивает повышение точности представления заданнойаналитической зависимости при одновременном снижении сложности самой сети.20а)б)в)Рис. 8. Исходная зависимость (а), аппроксимирующая сеть ЭНВ (б),результирующая зависимость (в).б)а)в)г)д)Рис. 9. Сравнение эффективности применения базисов ЭНВ: сеть «линейных» ЭНВ (а),результаты аппроксимации (б), термы нелинейного преобразователя (в), сеть«нелинейных» ЭНВ (г), результаты аппроксимации (д).Далее в главе сформулирована методика синтеза многомерных сетей ЭНВ каксовокупности подсетей (рис.

10) и приведены примеры ее использования для решениязадач аппроксимации вычислительно-сложных многомерных нелинейных функций.21Рис. 10. Обобщенная структура нечеткой подсети.На рис. 11 показан пример применения методики для синтеза сети ЭНВ. Серииэкспериментов, описанные в работе, показывают возможность повышения точностиаппроксимации посредством сетей ЭНВ на порядок в сравнении с классическимиметодами.Рис.

11. Моделирование нечеткой сети в среде MathConnex.22В третьей главе «Техническая реализация микропроцессорных устройств саппаратной поддержкой сетей элементарных нечетких вычислителей» рассматриваютсявопросысозданияфункционально-ориентированныхмикропроцессоровимикроконтроллеров,снабженныхаппаратныминечеткимивычислителями.Последовательно рассмотрены технические решения по построению внешнегонечеткого сопроцессора, микропроцессора со встроенным НВ, микропроцессора совстроенным сопроцессором сети ЭНВ (СЭНВ).Основные структурные схемы нечеткого вычислителя показаны на рис. 12.Рис.

12. Основные структурные схемы нечеткого вычислителя: модуль фаззификации(а), модуль логического вывода (б) и модуль дефаззификации (в).23Эти структуры были положены в основу аппаратной реализации внешнегонечеткого сопроцессора, а также использованы в модулях встроенного нечеткоговычислителя и встроенного сопроцессора СЭНВ.Структура МК со встроенным НВ поясняется рис. 13: на едином кристаллеразмещаются основной микроконтроллер, содержащий процессор с АЛУ общегоназначения и набор типовых периферийных узлов микроконтроллера, и встроенный накристалл нечеткий вычислитель со структурой, обоснованной в главе 2 и показанной нарис.