Нечёткие ассоциативные матричные правила

МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ЛЕКЦИЯ № 13

На последней лекции мы начали рассматривать приложения нейронного управления и говорили о системе управления температурой водяной ванны. Мы затронули управление с помощью нейросети и остановились на контроллере, основанном на нечёткой логике.

Таблицу, которую мы рисовали, её будем называть таблицей нечётких ассоциативных матричных правил, или НАМ-правил. Архитектура системы, которая основывается на этих правилах, можно представить в виде рисунка.

Рисунок. Архитектура системы нечётких ассоциативных правил

Нечёткие ассоциативные правила (от  до ) включаются параллельно, создавая выходное нечёткое множество . Затем выполняется „ликвидация нечёткости“: преобразование  в числовую величину .

Рекомендуемые материалы

Каждый вход  активизирует каждое из хранимых правил в различной степени. Минимальное правило, -ая ассоциация, отображает вход в выход , представляющий собой частично активированный вариант . Чем больше вход  напоминает , тем больше  напоминает . Соответствующее выходное нечёткое множество  объединяет эти частично активированные нечёткие множества : оно представляет собой взвешенное среднее частично активированных множеств:

.

Коэффициент  отражает частоту или силу нечёткой ассоциации. На практике выходное нечёткое множество  может быть преобразовано в конкретную числовую величину  на действительной оси ; для этого вычисляется нечёткий центроид множества  относительно выходного универсального множества .

Посылки правил объединяются операцией И, что соответствует активации нечёткого множества-заключения  со степенью , вычисляемой с определением нечёткой операции пересечения:

,

где  и  — соответствующие степени принадлежности для ошибки и изменения ошибки.

Форма выходных нечётких множеств зависит от используемой кодирующей схемы частотно-импульсной модуляции. В случае с водяной ванной использовалась схема кодирования по минимуму корреляции, в которой нечёткое множество-заключение  в наборе величин выходных нечётких множеств срезается до уровня  и принимает минимальное значение в других точках:

.

Здесь  — степень принадлежности активизированного выходного нечёткого множества на интервале значений выходного универсального множества.

На практике величина  не является однозначной, поэтому система комбинирует все эти функции в действительную выходную функцию принадлежности на основе определения нечёткой операции объединения:

.

Для преобразования нечёткого управляющего выходного сигнала в чёткую форму применяется следующая процедура:

,

где выходное универсальное множество преобразуется в дискретные величины  с шагом :

.

Как и любой другой, контроллер на основе нечёткой логики имеет ряд параметров, которые должны быть выбраны разработчиком заранее. В нечётком контроллере имеется три коэффициента масштабирования: ,  и  — для ошибки процесса, изменения ошибки и выходного сигнала контроллера соответственно. Выбор этих коэффициентов аналогичен выбору параметров ПИД-регулятора или задаваемых пользователем полиномиальных коэффициентов в некоторых адаптивных контроллерах. Некоторые исследователи предлагают систематические подходы к выбору данных коэффициентов. В частности, это Procyk, Mamdani; Linkens, Abbod; Daley, Gill (это шесть фамилий трёх групп учёных).

Вычисления, соответствующие действиям нечёткого контроллера в системе управления температурой водяной ванны, можно представить в виде следующего алгоритма:

Шаг 1. Прочитать выходную величину процесса .

Шаг 2. Вычислить ошибку  и скорость изменения ошибки  для процесса в момент времени .

Шаг 3. Величины  и  квантуются в соответствующие нечёткие подмножества.

Шаг 4. На основе функций принадлежности вычисляются степени принадлежности ошибки и скорости изменения ошибки  и  соответственно.

Шаг 5. Из базы правил активизируется заключение со степенью принадлежности , вычисляемой по степеням принадлежности посылок  и  с помощью операции И.

Шаг 6. Величина  срезается до величины  методом кодирования по минимуму корреляции.

Шаг 7. Вычисляется действительная выходная степень принадлежности  путём выполнения операции ИЛИ между значениями  всех активизированных заключений.

Шаг 8. Вычисляется действительная выходная величина  путём применения процедуры перевода нечёткой величины в чёткую форму.

Г-н Омату рассматривает, помимо нейросетевого и нечёткого управления, ещё два способа управления водяной ванной. Это обобщённый прогнозирующий контроллер (ОПК) и ПИД-регулятор.

В обобщённом прогнозирующем контроллере управление осуществляется на основе оценок прогресса по рекурсивному методу наименьших квадратов. Мы останавливаться на нём не будем, просто будем иметь в виду, что есть и такое управление.

Итак, 4 подхода к управлению водяной ванной: нейросетевой контроллер (НСК), контроллер на основе нечёткой логики (НЛК), обобщённый прогнозирующий контроллер (ОПК) и традиционный ПИД-контроллер. В этих четырёх подходах имеются как сходства, так и различия.

По результатам экспериментов из всех схем управления, схема ПИД наиболее проста в реализации. Однако этот тип контроллеров не может удовлетворительно работать в сложных условиях. То есть ПИД-регуляторы можно рекомендовать только для простых задач управления и только при условии, что к системе не предъявляется высоких требований.

Так как для водяной ванны возможно построение математической модели пониженного порядка, полученная на основе этой модели информация использовалась для разработки всех четырёх контроллеров. Сначала в процессе моделирования была сделана грубая настройка параметров НЛК и ПИД, и только потом выполнялась точная оперативная настройка этих величин для улучшения характеристик. Для нейросетевого контроллера количество элементов входного вектора нейросетевой модели соответствовало пониженному порядку подели объекта управления. Однако в условиях, когда модели плохо определены, нейросетевой контроллер, контроллер на основе нечёткой логики и ПИД-регулятор могут использоваться без каких-либо математических моделей. В то же время обобщённый прогнозирующий контроллер и многие традиционные адаптивные контроллеры не могут разрабатываться без априорных математических моделей.

Одним из недостатков нейронного управления является необходимость предварительного обучения. Для успешного применения нейросетей важен также обоснованный выбор структуры модели и параметров обучения. Однако после обучения нейросетевой контроллер становится самонастраивающимся и не требует какой-либо настройки. В то же время для ОПК, даже если он является самонастраивающимся, выбор задаваемых пользователем параметров представляет определённую проблему, особенно для сложных объектов управления.

Для контроллера на основе нечёткой логики имеется ряд факторов и величин, которые требуется предварительно выбрать, чтобы обеспечить успешную работу контроллера. Вообще говоря, такой выбор является достаточно трудоёмким мероприятием. Вместе с тем, некоторые из этих величин (например, ширину функции принадлежности, коэффициент масштабирования и т.п.) можно определить эвристически методом проб и ошибок. Однако для обеспечения приемлемых характеристик НЛК важна точная настройка данных параметров.

Есть ещё ряд преимуществ и недостатков. Их все мы запишем в виде таблицы.

Таблица. Сравнительные характеристики четырёх схем управления

(по результатам экспериментов)

Исследование водяной ванны показало, что искусственные нейронные сети могут быть легко реализованы в системах управления реального времени. Подход на основе нейронного управления обеспечивает устойчивость. Его характеристики сравнимы с результатами, которые демонстрируют наиболее развитые традиционные методы управления. Хотя нейроконтроллеры и так обладают хорошими характеристиками и имеют определённые преимущества перед контроллерами трёх других типов, следует надеяться на разработку ещё более эффективных и надёжных схем управления. Этому должно способствовать выявление лучших сторон и характеристик систем различных классов.

Мы рассмотрели водяную ванну. Далее мы рассмотрим перевёрнутый маятник.