Zurnal 5

ŽILINA, KOŠICE. Ing. Kysela Pavol a prof. Ing. Alexík Mikuláš, CSc sa zaoberajú popisom modelovania a identifikácie sústav pomocou neuro-fuzzy (NF) sieti. Príspevok sa zaoberá vo svojich jednotlivých častiach využitím nerónovej siete s implementovanou fuzzy logikou na modelovanie lineárnych a nelineárnych systémov, ako aj identifikáciou lineárnych sústav. V stati venovanej modelovaniu upozorňuje na schopnosť NF siete vo fáze učenia, naučiť sa správaniu vzoru, ako aj návrhu NF siete. Ďalšia stať je venovaná využitiu NF siete na identifikáciu, pričom samotná identifikácia sa vykonáva expertnou analýzov. Podrobnejšie opisuje identifikáciu sústav prvého rádu, pričom poukazuje na ľahkú odvoditeľnosť použitia NF sieti pri identifikácií sústav vyšších rádov.
NFS je možné použiť aj pri modelovaní nelineárnych funkcií. Samotné modelovanie spočíva iba v transformácií nelineárnej závislosti na fuzzy pravidlový model, ktorý následne implementujeme do neurónovej siete a uskutočníme adaptáciu tejto NFS teda učenie. Tento postup môžeme uskutočniť, iba ak poznáme matematický popis systému. Pomocou rovnice sa vygenerujú dáta trénovacej množiny. Ak nepoznáme popis systému tak môžeme sledovať, respektíve okopírovať správanie sa reálneho systému vo fáze učenia. NFS pritom nemusí byť špeciálne navrhnutá je totiž schopná prispôsobiť sa vo fáze učenia .

obr1.jpg

Obr č. 1 je zobrazený priebeh použitej nelineárnej funkcie popísanej rovnicou (plná čiara) a priebeh NFS, spĺňajúcej všetky požiadavky pred adaptáciou, iba s použitím zostaveného pravidlového modelu a rozdelením vstupného a výstupného priestoru. Správanie sa naučenej NFS po 100 krokoch učenia je znázornené bodkovanou krivkou zelenej farby.
Identifikácia lineárnych systémov sa uskutočňuje expertnou analýzou, pri ktorej sa určujú vlastnosti objektu rozborom vstupných a výstupných veličín. Sústavu plne charakterizuje priebeh výstupnej veličiny ak ide o odozvu na normované tvary signálov.Páni na záver svojej práce zhodnotili, že neurónové siete s fuzzy logikou majú široké uplatnenie, pričom vzniká tu aj jeden problém, a to problém vhodnej voľby veľkosti trénovacej množiny a doby učenia NF siete. Poznamenali, že treba voliť vhodný kompromis medzi dobou učenia a presnosťou simulácie. Dôležtím parametrom je aj dĺžka iteračného Kroku, ktorú zvolia tak, aby dosiahli čo najväčšiu presnosť v závislosti na rýchlosti odozvy dynamického systému. Čo spôsobí nesprávne zvolený iteračný krok a veľkosť trénovacej množiny si možno všimnúť na Obr č. 2. Na margo identifikácie poznamenali, že ide o deterministickú identifikáciu, na sústavu nepôsobia žiadne náhodné veličiny a ani merané veličiny nie sú zaťažené šumom.

obr2.jpg

Spracované na základe: 34.pdf

Unless otherwise stated, the content of this page is licensed under Creative Commons Attribution-ShareAlike 3.0 License