Анализ подходов проектирования интеллектуальных систем управления.
В ходе проведено анализа было установлено, что для интеллектуализации процесса вычисления в устройствах принятия решений (рисунок 1.4) наиболее часто используются нейронные сети, нечеткие модели, генетические алгоритмы и гибридные модели.
Рисунок 1.4 - Анализ моделей интеллектуализации процесса управления
охлаждения изделий: 1 - ПК; 2 - устройства принятия решений; 3 - регуляторы; 4 - система активного контроля; 5 - потенциометр; 6 -
операционный усилитель; 7 - резистор; 8 - биполярный транзистор; 9 - термоэлемент; 10 - датчики
В таблице 1.9 представлен сравнительный анализ достоинств и недостатков интеллектуальных моделей [13,14].
Таблица 1.9
Сравнительный анализ интеллектуальных моделей
| Модель | Достоинства | Недостатки |
| ■ Существование быстрых | ■ Отсутствие | |
| алгоритмов обучения | формализованных алгоритмов | |
| ■ Возможность работы | настройки сети | |
| при наличии большого числа | ■ Непрозрачность | |
| неинформативных признаков | формирования результатов | |
| ■ Возможность работы | анализа | |
| со с коррелированными | ■ Высокая сложность | |
| независимыми переменными | внутренней структуры сети | |
| ■ Возможность | ■ Отсутствие строгой теории | |
| прогнозировать значения | по выбору структуры | |
| Нейронная | нескольких показателей | нейронной сети |
| сеть | ■ Возможность решать | ■ Необходимость достаточной |
| несколько задач на едином | представительности | |
| наборе входных сигналов - | обучающей выборки | |
| имея несколько выходов | ■ Результат обученной нейронной сети не гарантирует предсказуемости результатов, что приводит к риску поломок оборудования, для управления которых применяется сеть ■ Отсутствие свойства аддитивности |
| Модель | Достоинства | Недостатки |
| Нечеткая логика | ■ Нелинейный контроль над процессами ■ Существование быстрых алгоритмов обучения ■ Возможность прогнозировать значения нескольких показателей ■ Возможность решать несколько задач на едином наборе входных сигналов - имея несколько выходов ■ Адаптивность ■ Аддитивность ■ Наличие свойства самообучения ■ Используются для задач распознавания образов и управления сложными объектами | ■ Сложность при подготовке нечетких правил управления ■ Отсутствие стандартной методики разработки нечетких систем |
| Г енетические алгоритмы | ■ Работают с закодированными определенным образом параметрами задачи, а не напрямую с ними ■ Использование двух механизмов решений: | ■ Не гарантируют получения оптимального решения за приемлемое время вследствие использования механизмов случайности при генерации новых решений ■ Для работы необходимо |
| Модель | Достоинства | Недостатки | |
| детерминированного и | сложное конфигурирование | ||
| вероятностного | системы и | кодирование | |
| ■ Возможность | решений | ||
| использования в | ■ Отсутствие | свойства | |
| изменяющейся среде | аддитивности | ||
| ■ Использование | |||
| нескольких точек | |||
| пространства поиска | |||
| ■ Применение | |||
| вероятностного подхода к | |||
| анализу вместо строго | |||
| детерминированного | |||
| ■ Возможность | ■ Отсутствие | ||
| использования развитых | автоматического | обнаружения | |
| механизмов логического | закономерностей | и их | |
| вывода, основанных на | использования | для | |
| математической логике | предсказаний | ||
| ■ Высокой уровень | ■ Детерминированность | ||
| Логические модели | формализации ■ Согласованность знаний как единого целого, | логического вывода ■ Отсутствие механизмов извлечения новых знаний | |
| облегчающее решение | ■ Отсутствие | механизмов | |
| проблемы верификации базы | для критической оценки | ||
| знаний, оценки | знаний, | выявления | |
| независимости и полноты | противоречий | ||
| системы аксиом | ■ Отсутствие | свойства | |
| аддитивности | |||
| Модель | Достоинства | Недостатки |
| Сетевые модели | ■ Близость структуры сети, синтезирующей систему знаний, близкой к семантической структуре фраз на естественном языке ■ Универсальность, достигаемая за счет выбора соответствующего набора отношений | ■ Сетевые модели представляют собой пассивные структуры ■ Представление, использование и модификация знаний при описании систем реального уровня сложности оказывается трудоемкой процедурой ■ Отсутствие свойства аддитивности |
Анализ данных, приведенных в таблице 1.9, показал, что нечеткие модели позволяют учитывать неопределённость входных данных о свойствах окружающих объектах, при этом способны обеспечить принятие решений за минимальное количество времени.
1.3 Анализ моделей нечетко-логического вывода
В общем виде нечетко-логический вывод принятия решений в условиях неопределенности состоит из следующих этапов: формирование базы знаний; фаззификация входных параметров; агрегация предпосылок; композиция заключений; аккумуляция; дефаззификация.
Формирование базы знаний
База знаний представляет собой множество нечетких правил вида:
Правило_1: Если «Предпосылка 1» То «Заключение_1» (f1),
Правило_2: Если «Предпосылка_2» То «Заключение_2» (f2),
Правило_п: Если «Предпосылка_п» То «Заключение_п» fn),
где n- количество НПУ в базе знаний; f- весовой коэффициент для НПУ в интервале [0, 1], если в обозначении НПУ его нет, значит f=1.
Фаззификация входных параметров
Процедура преобразования входных параметров в нечеткие множества X={} с определением взаимосвязи между конкретными числовыми значениями входных переменных xи значениями функций принадлежности μ(x)→[0, 1],соответствующими им, называется фаззификацией.
Агрегация предпосылок в НПУ
Агрегация - это процедура, позволяющая определить степень истинности предпосылок по каждому нечеткому правилу из базы знаний.
Композиция заключений в НП
Для реализации этой операции используются различные нечеткие импликации:
жесткая min-композиция:
μ '(y)=min{c∕, μ '(у)},
prod-композиция:
μ '(y)= ci ? μ 'O)},
жесткая min-композиция:
μ '(y)= іc∕'∙μ'(v)2∙ (∖(c^μ'(v))2∙ 2
где μ'(у) - функция принадлежности терма выходной переменной, заданной на универсальном множестве Y.
Аккумуляция НПУ
Аккумуляция заключается в объединении всех степеней истинности заключений нечетких правил для получения выходной функции принадлежности.
Дефаззификация НПУ
Представляет процедуру нахождения четкого значения выходной лингвистической переменной из нечеткого множества. Наиболее часто используемыми моделями дефаззификации являются модель центра тяжести,
модель высот, модель первого, последнего и среднего максимума, модель отношения площадей.
1.3.1
Еще по теме Анализ подходов проектирования интеллектуальных систем управления.:
- § 23. Средства выражения специальных реалий, категорий, понятий
- Концептуальные основы развития методологии разработки креативных управленческих решений
- Характеристика ОАО ’’Газпром" и его дочерних организаций
- Совершенствование нормативно-правового обеспечения социальных аспектов защиты сотрудников полиции Монголии
- Приложения
- Введение
- Предпосылки возникновения и развитие программ для ЭВМ с открытым исходным текстом
- Современные информационные технологии и их роль в процессе профессиональной подготовки курсантов войск национальной гвардии РФ
- Разработка модели совершенствования профессиональной подготовки курсантов военного вуза войск национальной гвардии РФ