Measurement data in genetic fuzzy modelling of dynamic systems

• Autorzy: Gorzałczany M. B. , Rudziński F.

Warianty tytułu

PL

Dane pomiarowe w genetyczno-rozmytym modelowaniu systemów dynamicznych

• Języki publikacji: EN

Abstrakty

EN

The paper presents a genetic fuzzy rule-based approach to the modelling of complex dynamic systems and processes using measurement data that describe their behaviour. The application of the proposed technique to modelling an industrial gas furnace system (the so-called Box-Jenkins benchmark) using measurement data available from the repository at the University of Wisconsin at Madison (http://www.stat.wisc.edu/~reinsel/ bjr-data) is also presented in the paper.

PL

Artykuł prezentuje podejście genetyczno-rozmyte do modelowania (z wykorzystaniem zestawów reguł rozmytych) złożonych, dynamicznych systemów i procesów na bazie danych pomiarowych opisujących ich zachowanie. Najpierw sformułowany został problem budowy modeli (w formie zestawów reguł rozmytych) systemów dynamicznych z wykorzystaniem danych opisujących ich zachowanie. Następnie przedstawiono proces syntezy reguł rozmytych z danych z wykorzystaniem zaproponowanego przez autorów zmodyfikowanego podejścia typu Pittsburgh z obszaru algorytmów genetycznych. Z kolei, przedstawiono zastosowanie proponowanej techniki do modelowania systemu przemysłowego pieca gazowego (tzw. benchmark Box'a-Jenkins'a) z wykorzystaniem danych pomiarowych dostępnych w repozytorium Uniwersytetu Wisconsin w Madison, USA (http://www.stat.wisc. edu/~reinsel/bjr-data). Uzyskany model, w formie zestawu reguł rozmytych, przetestowano w trybie pracy predyktora jednokrokowego oraz wielokrokowego (na pełnym horyzoncie symulacji). Dokonano również analizy zależności pomiędzy dokładnością a przejrzystością (mierzoną liczbą reguł) modelu oraz przetestowano model ze zredukowaną bazą reguł.

Słowa kluczowe

EN

computational intelligence; fuzzy systems; genetic algorithms; genetic fuzzy systems; measurement data

PL

inteligencja obliczeniowa; systemy rozmyte; algorytmy genetyczne; systemy genetyczno-rozmyte; dane pomiarowe

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 12
• Strony: 1420--1423
• Opis fizyczny: Bibliogr. 8 poz., rys., tab., wzory

Twórcy

autor

Gorzałczany M. B.

autor

Rudziński F.

• Department of Electrical and Computer Engineering, Kielce University of Technology, Al. 1000-lecia Państwa Polskiego 7, 25-314 Kielce,

Bibliografia

• [1] Bezdek J. C.: What is computational intelligence?, in J. M. Zurada, R. J. Marks II, C. J. Robinson (Eds.) Computation Intelligence: Imitating Life, IEEE Press, New York, 1994, pp. 1-12.
• [2] Box G. E., Jenkins G. M.: Time Series Analysis: Forecasting and Control, Holden Day, San Francisco, 1970.
• [3] Cordon O., Herrera F., Hoffmann F., Magdalena L.: Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases. World Scientific, Singapore, New Jersey, London, Hong Kong, 2001.
• [4] Gorzałczany M. B.: Computational Intelligence Systems and Applications, Neuro-Fuzzy and Fuzzy Neural Synergisms. Physica-Verlag, Springer-Verlag Co., Heidelberg, New York, 2002.
• [5] Gorzałczany M. B., Rudziński F.: A modified Pittsburgh approach to design a genetic fuzzy rule-based classifier from data, in L. Rutkowski, R. Scherer, R. Tadeusiewicz, L. A. Zadeh, J. Żurada (Eds.), Artificial Intelligence and Soft Computing - ICAISC 2010, Part I, Lecture Notes in Artificial Intelligence 6113, Springer-Verlag, Berlin, Heidelberg, 2010, pp. 88-96.
• [6] Gorzałczany M. B., Głuszek A.: Data-based fuzzy modelling of dynamic systems by means of evolution strategies. Pomiary Automatyka Kontrola, vol. 56, no 12, 2010, pp. 1427-1429.
• [7] Gorzałczany M. B., Głuszek A.: Designing fuzzy rule-based controllers from data using particle swarm optimization. Pomiary Automatyka Kontrola, vol. 56, no 12, 2010, pp. 1424-1426.
• [8] Michalewicz Z.: Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin, Heidelberg, New York, 1996.