![]()
Заглавная страница
Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву ![]() Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Ідентифікація на основі моделі МамданіВходи і вихід моделі будемо розглядати як лінгвістичні змінні, значення яких визначаються з наступних термів-множин: - для x1 і x2 - {«Низький», «Средний», «Высокий»}; - для у -{«Низкий», «Ниже Среднего», «Средний», «Выше Среднего», «Высокий»}. Формализацію термів виконаємо за симетричною гаусівською функцією надлежності (gaussmf):
де х — елемент універсальної множини; h -параметр функції належності (координата максимума); с — параметр функції надлежності (коефіцієнт концентрації). Вибір такого типа функції надлежності пояснюється Ії простотою— вона задається лише двома параметрами, скорочує размірність задачі оптимізації на этапі параметричної ідентифікації. В результаті візуального спостереження графіка ідентифікованої залежності, сформулюємо сім правил бази знань (табл. 1). На цьому етап структурної ідентифікації завершується.
Для проведення параметричної ідентифікації будемо використовувати програму, наведену в Придатку 2. Вона складається з m-cценарія, що викликає функцію нелінійної оптимізації constr,і m-функції goal_fun,яка розраховує нев´язку при заданних значеннях керованих змінних. Кількість керованих змінних дорівнює шестнадцаті: - одиннадцять коефіцієнтів концентрацій функцій належностей термів вхідних і вихідної змінних; - дві координати максимумів центрів функцій належностей термів «Середний» вхідніх змінних; - три координати максимумів центрів функцій належностей некрайніх термів вихідної змінної (тобто термів «Нижче Середнього», «Середній» і «Вище Середнього»). Координати максимумів функцій належностей крайніх термів («Низький» та «Високий») не налагоджуються, тому що немає ніяких логичних міркувань, що вони будуть відрізнятись від границь диапазонів зміни змінних. В результаті навчання знайдені оптимальні функції належності нечітких термів (рис. 2.9). Поверхня «входи-вихід», яка відповідає налагодженій нечіткої моделі типа Мамдані, показана на рис. 2.8, b. Нечітка модель оптимізована по навчальній виборці із 20 пар «входи-вихід». Средня квадратична похибка ідентифікації цієї моделі на контрольній виборці із 1000 точок складає 4.61.
Ідентифікація на основе моделі Сугено По рис. 2.8, а візуально тящко оцінити коефіцієнти лінійних функцій, що пов´язують входи і вихід залежності (6) для конкретної підобласті. Тому базу знань згенеруемо безпосередньо з навчальної виборки. Навчальна выборка являє собою набор випадково згенерованих точок факторного простору, тому немає причин для використання кластеризації при синтезі бази знань. Будемо використовувати алгоритм решіточного разділу з параметрами по замовчуванню, — по два терми для оцінки кажної вхідної змінної с узагальненою дзвоноподібною функцією належності
де с — коефіцієнт концентрації функції належності; ν — коефіцієнт крутизни функції належності; h — координата максимума функції належності. Пакет Fuzzy Logic Toolbox дозволяє синтезувати модель типу Сугено і навчити ії шляхом виклику однієї функції anfisв форматі: fuzzy_model = anfis (traning_data, [], ... number_of_iterations). При навчанні налагоджувались 24 параметри нечіткої моделі — по 3 коефіцієнти в лінійній функції для кожного из 4-х правил бази знань і по 3 параметри для кожного з 4-х термів вхідних змінних. Така кількість налагоджуваних параметрів є мінімальною для нечіткої моделі типа Сугено з двома входами і одним виходом.
Таблица 2 Нечітка база знань моделі типа Сугэно Таблиця 2.3. Нечітка база знань моделі типу Сушеною
|
|||||||||||||||||||||
Последнее изменение этой страницы: 2016-06-24; просмотров: 215; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 44.212.99.248 (0.003 с.) |