Modelowanie rozmyte - struktury i parametry

• Autorzy: Pieczyński A.

Warianty tytułu

EN

Fuzzy modelling - structures and parameters

• Języki publikacji: PL

Abstrakty

PL

W pracy proponuje się metody modelowania charakterystyk obiektów nieliniowych w oparciu o rozmytą reprezentację wiedzy. Przedstawiono analizę struktur, mechanizmy doboru parametrów rozmytych modeli i algorytmy optymalizacji własności rozmytego modelu w układzie neuro-rozmytym. Podano również przykład heurystycznego doboru kształtu krzywych rozmywających i rozmieszczenia zbiorów rozmytych. Przedstawiono również wyniki uzyskane dla obiektu nieliniowego, jakim jest reaktor cieplny.

EN

Modelling methods of responses of nonlinear systems with use of the fuzzy knowledge representation are proposed in this paper. Analysis of structures, fuzzy model parameters tuning methods, and neuro-fuzzy optimization algorithms for fuzzy models are presented. It has been also presented an example of heuristic adjustment of fuzzification curves. As an example, results for the nonlinear system - thermal reactor - have been shown.

Słowa kluczowe

PL

modelowanie rozmyte; logika rozmyta; obiekty nieliniowe

EN

fuzzy modelling; fuzzy logic; nonlinear systems

• Wydawca: Poznańskie Towarzystwo Przyjaciół Nauk
• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2002
• Tom: T. 27
• Strony: 99--122
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Pieczyński A.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych, ul. Podgórna 50, 65-246 Zielona Góra

Bibliografia

• [1] Chaker N., Wagenknecht M., Hampel R.: Fuzzy Controller Structure Transformation. Proc. of the 3rd International FLINS Workshop, Antwerpia 1998, s. 99-110.
• [2] Davidson V.J., Ryks J., Chu T.: Fuzzy Models to Predict Consumer Ratings for Biscuits Based on Digital Image Features. IEEE Trans. on Fuzzy Systems, vol. 9, nr 1, 2001, s. 62-67.
• [3] Duan Ji-Cheng, Chung Fu-lai: Cascaded Fuzzy Neural Network Model Based on Syllogistic Fuzzy Reasoning. IEEE Trans. on Fuzzy Systems, vol. 9, nr 2, 2001, s. 293-306.
• [4] Frank P.M.: Fuzzy Supervision - Application of Fuzzy Logic to Process Supervision and Fault Diagnosis. Proc. Int. Workshop on Fuzzy Intelligent Systems, Duisburg 1994, s. 36-59.
• [5] Georgescu C., Afshari A., Bornard G.: A Comparison Between Fuzzy Logic Neural Networks and Conventional Approaches to System Modelling and Identification. Proc. First European Congress on Fuzzy Intelligent Technologies EUFIT93, Akwizgran 1993, s. 1632-1640.
• [6] Hampel R.: Meß- und Automatisierungstechnik zur Störfallbeherrschung - Methoden der Signalverarbeitung, Simulation und Verifikation. Abschlußbericht zum BMBF-Projekt 150 10 15, HTWS Zittau-Görlitz (FH), 1999.
• [7] Kästner W., Fenske A., Hampel R.: Improvement of The Robustness of Model- Based Measuring Methods Using Fuzzy Logic. Proc. of the 3rd International FLINS Workshop, Antwerpia 1998, s. 129-142.
• [8] Kowal M., Korbicz J.: Neuro-Fuzzy Approach for Fault Diagnosis of Dynamic Systems. Proc. 5th Conf. Neural Networks and Soft Computing, Zakopane 2000, s. 503-508.
• [9] Kowal M., Korbicz J.: Neuro-Fuzzy Detector for Industrial Process. W pracy: Hampel R., Wagenknecht M., and Chaker N. (eds.): Advances in Soft Computing - Fuzzy Control, Theory and Practice, Heidelberg, Physica-Verlag 2000, s. 294-301.
• [10] Mitain S., Kosko B.: The Shape of Fuzzy Sets in Adaptive Function Approximation. IEEE Trans. on Fuzzy Systems, vol. 9, nr 4, 2001, s. 637-656.
• [11] Patton R.J.: Fuzzy Observers for Non-Linear Dynamic Systems Fault Diagnosis. Proc. of the 37th IEEE Conf. on Decision & Control, 1998, s. 84-89.
• [12] Pieczyński A., Kästner W., Hampel R.: Fuzzy Modelling of Multidimensional Non-Linear Processes - Design and Analysis of Structures. Proc. of 7th Zittau Colloquium, Zittau 1999, s. 85-101.
• [13] Pieczyński A., Kästner W.: Fuzzy Modeling of Multidimensional Non-Linear Processes - Design and Analysis of Structures. W pracy: Hampel R., Wagenknecht M., and Chaker N. (Eds.): Advances in Soft Computing - Fuzzy Control, Theory and Practice, Heidelberg, Physica-Verlag 2000. s. 376-386.
• [14] Pieczyński A.: An Expert System with Fuzzy Knowledge Base. Proc. 3rd Int. Conf. New Trends in Automation of Energetic Processes'98, Zlin 1998, s. 374-378.
• [15] Pieczyński A.: Fuzzy Modeling of Multidimensional Non-Linear Process - Influence of Membership Function Shape. Proc. 8th East-West Zittau Fuzzy Colloquium, Zittau 2000, s. 125-133.
• [16] Pieczyński A.: Fuzzy Modelling of Multidimensional Non-Linear Processes - Tuning Algorithms. Proc. 9th East-West Zittau Fuzzy Colloquium, Zittau 2001, s. 94-104.
• [17] Pieczyński A.: Fuzzy Modelling of Multidimensional Non-Linear Processes - Structures and Parameters. Proc. of the 7th IEEE Int. Conf. on Methods and Models in Automation and Robotics MMAR'01, Międzyzdroje 2001, s. 527-532.
• [18] Pieczyński A.: Integrated Neural Network and Fuzzy Knowledge Base System for Fault Detection and Isolation in Steam Power Plant. Proc. of the 5th Int. Conf. on Methods and Models in Automation and Robotics MMAR'98, Międzyzdroje 1998, s. 707-712.
• [19] Piegat A.: Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999.
• [20] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i zbiory rozmyte. Wydawnictwo Naukowe PWN, Warszawa 1999.
• [21] Rutkowska D.: Inteligentne systemy obliczeniowe. Akademicka Oficyna Wydawnicza, Warszawa 1997.
• [22] Setnes M., Kaymak U.: Fuzzy Modeling of Client Preference from Large Data sets: An Application to Target Selection in Direct Marketing. IEEE Trans. on Fuzzy Systems, vol. 9, nr 1, 2001. s. 153-163.
• [23] Yager R.R., Filev D.P: Podstawy modelowanie i sterowania rozmytego. WNT, Warszawa 1995.