Sprzętowa implementacja algorytmów dekompozycji lingwistycznej opartych na podziale bazy wiedzy w układzie FPGA

• Autorzy: Wyrwoł B.

Warianty tytułu

EN

Hardware implementation of linguistic de-composition algorithms based on partitioning the knowledge base in the FPGA chip

• Języki publikacji: PL

Abstrakty

PL

Układowe realizacje systemów wnioskowania przybliżonego wymagają często znacznych nakładów. Zmniejszenie ich jest możliwe poprzez zastosowanie metody dekompozycji Gupty i przedstawieniu systemu jako struktury hierarchicznej. W celu wyeliminowania jej niekorzystnych własności konieczny jest wstępny podział bazy wiedzy. Zaproponowana została metoda najlepszego wyboru wykorzystująca wybrane algorytmy podziału, zaimplementowana w sprzętowym systemie wnioskowania przybliżonego FPGA-FIS.

EN

The hardware cost of a fuzzy inference system can be reduced using the Gupta's relational decomposition technique [1]. The system can be represented as a hierarchical architecture that comprises a set of Single Input Single Output subsystems (Fig. 1). The decomposition has some disadvantages, computation of the global relation ℜ is an extremely time-consuming process and a large memory is necessary to store it. They can be eliminated if projection is expanded on linguistic level and decomposition is used for the knowledge base (1), (Fig. 2) [2]. The projection operation (on relational or linguistic level) in some cases can lead to inevitable loss of information because of its approximate nature [3]. To avoid the inference error (the output result is more fuzzy than that obtained in the classical system architecture (3)) methods for partitioning (5) the knowledge base KB[Y , XK,? , X1] into p subbases without inconsistent rules (4) are proposed [4]. In Section 3 the methods based on partitioning towards a defined input linguistic variable (Fig. 3) and elimination of the inconsistent rules (Fig. 4) are described [5, 6]. The algorithms are simple and fast but the results are not optimal in all cases (hardware cost depends on the number of subsystems p, Tab. 1). Thus, the method of the best choice is proposed and implemented in the FPGA fuzzy inference system as a DMU (Decomposition Management Unit) module (Fig. 6).

Słowa kluczowe

PL

funkcja przynależności; reguła rozmyta; reguła sprzeczna; relacja rozmyta; baza wiedzy; dekompozycja relacyjna; dekompozycja lingwistyczna; system regułowy FITA; system relacyjny FATI; wnioskowanie przybliżone; FPGA

EN

membership function; fuzzy rule; inconsistent rule; fuzzy relation; knowledge base; relational decomposition; linguistic decomposition; First Inference Then Aggregation system (FITA); First Aggregation Then Inference system (FATI); fuzzy inference; FPGA

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 7
• Strony: 511--514
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wzory

Twórcy

autor

Wyrwoł B.

• Instytut Elektroniki, Politechnika Śląska,

Bibliografia

• [1] M. M. Gupta, J. B. Kiszka, G. M. Trojan, “Multivariable Structure of Fuzzy Control Systems”, IEEE Transactions on Systems, Man, and Cybernetics, vol. 16, no 5, 1986.
• [2] B. Wyrwoł, „Sprzętowa realizacja systemu wnioskowania przybliżonego z wykorzystaniem układów logiki programowalnej”, Rozprawa doktorska, Gliwice, 2004.
• [3] P. G. Lee, K. Lee Kyun, G. J. Jeon, „An Index of Applicalibity for the Decomposition Method of Multivariable Fuzzy Systems”, Fuzzy Systems, vol. 3, no 3, 1995.
• [4] B. Wyrwoł, „Technika dekompozycji lingwistycznej oparta na podziale bazy wiedzy systemu wnioskowania przybliżonego”, VI KKE, Darłówko Wschodnie, tom 1, str. 207-212, 2007.
• [5] B. Wyrwoł, „Linguistic decomposition technique based on partition-ing the knowledge base of the fuzzy inference system”, BULLETIN OF THE POLISH ACADEMY OF SCIENCES, TECHNICAL SCIENCES, Vol. 56, No 1, pp. 71-76, 2008.
• [6] B. Wyrwoł, „Dekompozycja lingwistyczna bazy wiedzy systemu wnioskowania przybliżonego z eliminacją reguł sprzecznych”, VII KKE, Darłówko Wschodnie, tom 1, str. 237-242, 2008.
• [7] E. Czogała, W. Pedrycz, „Elementy i metody teorii zbiorów rozmytych”, skrypt uczelniany nr 1160, Gliwice 1983.
• [8] D. Driankov, H. Hellendoorn, M. Reinfrank, „Wprowadzenie do sterowania rozmytego“, WNT, Warszawa, 1996.
• [9] R. R. Yager, D. P. Filev, „Podstawy modelowania i sterowania rozmytego”, WNT, Warszawa, 1995.
• [10] B. Wyrwoł, „Regułowo-relacyjny system wnioskowania przybliżone-go”, IV KKE, Darłówko Wschodnie, tom 2, str. 475-480, 2005.
• [11] B. Wyrwoł, D. Polok, „Hardware Implementation of the Linguistic Decomposition Technique in the FPGA–FIS System”, Scientific bulletin of the Politehnica University of Timisoara, Transactions on Electron. and Communications, Vol. 53 (67), Fascicola 1, pp. 161-166, ’08.
• [12] I. Baturone, S. Sanchez-Solano, A. Barriga, J. L. Huertas, „Implementation of CMOS Fuzzy Controllers as Mixed-Signal Integrated Circuits”, IEEE Transactions on Fuzzy Systems, vol. 5, no 1, 1997.
• [13] D. Kim, In–Hyun Cho, „An accurate and cost–effective COG defuzzifier without the multiplier and the divider”, Fuzzy Sets and Systems, vol. 104, 1999.
• [14] D. Rutkowska, M. Piliński, L. Rutkowski, „Sieci neuronowe, algo-rytmy genetyczne i systemy rozmyte”, PWN, Warszawa-Łódź, 1997.
• [15] A. Ollero, A. Garcia–Cerezo, „Direct digital control, auto–tuning and supervision using fuzzy logic”, Fuzzy Sets and Systems, vol. 30, 1989.
• [16] T. Yamakawa, „Stabilization of an inverted pendulum by a high–speed fuzzy logic controller hardware system”, Fuzzy Sets and Systems, vol. 32, 1989.
• [17] H. D. Hurdon, „Fuzzy logic fan controller”, ntia.its.bldrdoc.gov/pub/ fuzzy, 1993.
• [18] R. Rovatti, R. Guerrieri, G. Baccarani, „An enhanced Two-level Boolean Synthesis Methodology for Fuzzy Rules Minimization”, IEEE Trans. on Fuzzy Systems no 3, 1995.