Диссертация (1143270), страница 16

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 16)

Робот должен достичьцели, уклоняясь от столкновения с препятствиями (рис. 4-6) [120].x1 – угол на цельx2 – расстояниедо целиx3 – угол центрапрепятствияНечеткийконтроллерy 1 – уголповоротаy 2 – скоростьдвижения?Рис. 4-6. Нечеткий контроллер для управления движением мобильного робота.144Проанализируем с помощью аппарата сетей ЭНВ сложность трехнезависимыхразработок–эвристическиспроектированныхнечеткихконтроллеров, успешно решающих указанную задачу.Для каждого из контроллеров регистрируется таблица принятия решений(база данных “вход–выход” – рис. 4-7); на ее основе описанными в главах 1 – 3методами и средствами строится эквивалентная этому нечеткому контроллерусеть нечетких вычислителей (базис ЭНВ для всех трех сетей одинаков) [155].Рис. 4-7.

Сбор данных для анализа эвристически синтезированных НК.Результирующие сети анализируются с применением методов оценоксложности для графовых структур [152]. В табл. 4-1 приведены некоторыерезультаты такого анализа.Представление нечетких систем принятия решений в виде эквивалентныхсетей элементарных нечетких вычислителей открывает широкие перспективыдля развития методов и средств анализа и оптимизации их структуры и базнечетких знаний (так, из табл. 4-1, очевидно, что число правил в БНЗ не можетбыть использовано в качестве меры сложности нечеткого вычислителя: уэвристически разработанного нечеткого вычислителя №1 с минимальнымколичеством правил эквивалентная сеть ЭНВ оказалась сложнее, чем унечеткого вычислителя №2 с большим количеством правил) [153, 120].145Табл. 4-1.

Результаты анализа НК с применением сетей ЭНВ [120].Трассировкатраектории,число правилХарактерные фрагментысемейства характеристик«вход-выход»Структура сети элементарных нечеткихвычислителей, функционально эквивалентнойисходному нечеткому контроллеру911164.2. Средства синтеза систем управления с применением аппаратасетей элементарных нечетких вычислителей.Результативность проектирования и показатели качества применениянечеткой системы обработки информации в микропроцессорной системеуправления во многом определяются результатами этапа создания базынечетких знаний.Источниками исходных данных для разработки базы нечетких знанийвыступают: аналитическая зависимость; табличное, графическое, экспертноеописание зависимости «вход-выход» и др. [156].146Особенностью эвристического подхода к синтезу баз нечетких знанийявляется возможная угроза неполноты или, напротив, противоречивостирезультирующих баз нечетких знаний, вероятность чего возрастает с ростомсложности задачи нечеткой обработки данных [157].Автоматизация синтеза баз нечетких знаний основана на сочетанномприменении формальных методов (в т.ч.

методов регрессионного анализа икластеризации) и итеративных процедур, в том числе с применениемпопуляционногоотбора,нейросетевыхсхеммоделирования,атакжекомбинаций этих подходов.Наряду с очевидными преимуществами подходов, базирующихся наавтоматизации синтеза, они обладают и нежелательными чертами, наиболеесущественными из них являются: чувствительность к вариациям в начальных условиях: в зависимости отнезначительных вариаций в исходных данных и параметрах, возможнагенерация систем нечеткой обработки данных, сопоставимых по критериюрезультатов нечетких вычислений, но существенно различающихся поструктуре; повышенная трудоемкость анализа, в том числе определения мер сложностии степени подобия нечетких систем; принципиальная итерационность процесса синтеза: существующие методыпредполагают неоднократный переход к начальным этапам синтеза и участиеразработчика в нем.Для снижения трудоемкости разработки сетей элементарных нечеткихвычислителей для микропроцессорных систем разработана совокупностьинструментальных средств [158], обеспечивающих генерацию структуры сетиЭНВ и их параметров.

Реализована процедура автоматизированной генерациисети ЭНВ на заданном базисе элементарных нечетких вычислителей.Пример функции двух переменных показан на рис. 4-8; на рис. 4-9показана синтезированная СЭНВ, функционально эквивалентная ей.147а)б)Рис. 4-8. Исходная функция двух переменных (а) и ее визуальная интерпретация (б) [157].б)а)в)г)Рис. 4-9.

Результаты синтеза СЭНВ для функции рис. 4-8:структурная схема сети (а); результаты работы каскадов (б-в);результат аппроксимации (г) [157].1485. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ5.1. Оценка точностных характеристик нечетких вычислителейПроцесс оценки точности предлагаемых решений представим в видепоследовательности двух этапов [153]: сравнениеэквивалентностивычислительныхмоделейЭНВ[145],предложенных в главе 2, и их реализаций, описанных в главе 3; сравнение точности вычислений разработанных аппаратных нечеткихвычислителей и референтных образцов серийно выпускаемых нечеткихвычислителей [133].Методика проведения экспериментов первого этапа показана на рис.

5-1.Аналитическая зависимость Y:=F(X)ЭВМСреда MathCadАнализзависимостиМоделирование структуры и параметровсети элементарных нечетких вычислителейВизуализация(MathConnex)ГенерациярезультатовВспомогательные тестовых2P2аппроксимациирасчетыXнаборовYи анализданных1kP1Pkее качестваГенерация3данных для БНЗP3Тестирование НКПроектированиеНКСреда Fuzzy51Y*:=Fuzzy(X)Данные дляБНЗГенератортестовыхнаборовСреда FOC-Builder;Генератор «прошивки» НВ;Среда Shell51СредстварегистрацииоткликовRdDataОтладочный модуль Fuzzy FOx51Аппаратный нечеткий вычислительРис. 5-1.

Схема экспериментальных исследований первого этапа.149Подлежащая аппроксимации функциональная зависимость анализируетсясредствами среды MathCad в соответствии с этапами, описанными в главах 1 и2, что позволяет разработать (с высокой степенью автоматизации) базунечетких знаний для нечеткого контроллера, аппроксимирующего исходнуюфункциональную зависимость. Среда Fuzzy51 позволяет разработать ипромоделировать нечеткий вычислитель (нечеткий контроллер).

Среда MathCadпозволяет, кроме того, сгенерировать тестовые наборы входных переменных,подаваемых в автоматическом режиме на вход Fuzzy51, визуализироватьотклики моделируемого нечеткого контроллера и выполнить оцениваниекачества проектирования и функционирования нечеткого аппроксиматора[159].ПодсистемаMathConnexсредыMathCadпозволяетсформироватьструктуру сети и задать параметры ее элементов, после чего, последовательнопередавая в Fuzzy51 значения параметров и входных величин каждогоэлементарного нечеткого вычислителя и получая от Fuzzy51 выходное значениеданного элементарного нечеткого вычислителя, смоделировать поведениенечеткой сети в целом и затем оценить качество ее функционирования.Отлаженная модель нечеткого вычислителя далее конвертировалась в базуконфигурацииаппаратногонечеткоговычислителя(«прошивку»)изагружалась в отладочный модуль, описанный в главе 3, при помощиинструментальных средств, описанных в главе 4.В качестве примеров зависимостей, иллюстрирующих предлагаемуюметодику экспериментальных исследований, выберем рассмотренные в разделе2.3 соотношения (2-4) и (2-5).Сравнение точности нечеткой аппроксимации в компьютерных моделяхэлементарных нечетких вычислителей и их микропроцессорной реализациипоказано на рис.

5-2 и 5-3.Обобщениерезультатованализапозволяетсделатьэквивалентностирезультатовнечеткойаппроксимациивыводмоделейиобихмикропроцессорной реализации [145].150Фрагмент регистрируемых экспериментальных данных показан в табл. 5-1.Табл. 5-1. Пример дампа экспериментальных данных для Fuzzy FOx51.151а)г)б)д)Рис. 5-2.

Поверхность (2-4) (а),модель ее аппроксимации (б),аппроксимация аппаратным нечеткимвычислителем (в),в)погрешность аппроксимациимоделью (г), отклонение реализацииот модели (д).152а)г)б)д)Рис. 5-3. Поверхность (2-5) (а),модель ее аппроксимации (б),аппроксимация аппаратным нечеткимвычислителем (в),погрешность аппроксимациив)моделью (г), отклонение реализацииот модели (д).153Методика проведения экспериментов второго этапа показана на рис. 5-4.Аналитическая зависимость Y:=F(X)ЭВМСреда MathCadАнализзависимостиМоделирование структуры и параметровсети элементарных нечетких вычислителейВизуализация(MathConnex)ГенерациярезультатовВспомогательные тестовых2P2аппроксимациирасчетыXнаборовYи анализданных1kP1Pkее качестваГенерация3данных для БНЗP3Тестирование НКПроектированиеНКДанные дляБНЗМКSTMicroelectronicsСредства САПР для НВ:FuzzyTech, FuzzyStudio, Fuzzy51Y*:=Fuzzy(X)ГенератортестовыхнаборовМКNXP/FreescaleСредства САПР для МК:СредстварегистрацииоткликовinDART-STX/STFive, Keil,FOCBuilder+Shell51Отладочный модуль Fuzzy FOx51Аппаратный нечеткий вычислитель…Множество сравниваемых микропроцессорных нечетких вычислителейРис.

5-4. Схема экспериментальных исследований второго этапа.Для подлежащей нечеткой аппроксимации функции разрабатывается базанечетких знаний для каждого из сравниваемых нечетких вычислителей,аппроксимирующих эту функцию, посредством комплекса инструментальныхрешений, рекомендуемых изготовителем. Так, для НВ от STMicroelectronics этокомплекс средств FuzzyStudio и inDART-STX/STFive; инструментальныесредства для предлагаемого авторского решения были описаны в главе 4.Разработанная для НВ база нечетких знаний (повторим, что для каждого изсравниваемых МК БНЗ разрабатывается посредством предназначенных для154него специальных методов и средств, но эти различные по синтаксису БНЗсемантически подобны и аппроксимируют одну и ту же исходную функцию)загружается в образец МК; на него поступают (для каждого образцасинтаксически специфические, но семантически одинаковые) тестовые наборыданных; результаты нечетких вычислений считываются и передаются вматематические средства для визуализации и сравнения [150].Пример графической интерпретации последовательности данных показанна рис.

Характеристики

Список файлов диссертации