A generalized Takagi-Sugeno-Kang model designed for approximation of discontinuous dependeces

• Autorzy: Jastrzębski M.

Warianty tytułu

PL

Uogólniony model Takagi-Sugeno-Kang do aproksymacji nieciągłych zależności

• Języki publikacji: EN

Abstrakty

EN

In this paper generalized Takagi-Sugeno-Kang model for approximating of discontinuous function is proposed. For tuning described model algorithm being a combination of bacterial algorithm and least square method is used. Efficient of proposed model with tuning method is illustrated by some examples.

PL

W artykule przedstawiono uogólniony model Takagi-Sugeno-Kang do aproksymacji funkcji nieciągłych. Do strojenia opisywanego modelu użyty został algorytm będący kombinacją algorytmu bakteryjnego i metody najmniejszych kwadratów. Efektywność przedstawionego modelu i zaproponowanej metody strojenia zilustrowana została na przykładzie.

Słowa kluczowe

EN

Takagi-Sugeno-Kang model; discontinuous functions; bacterial algorithm; least square method; fuzzy modelling

PL

model Takagi-Sugeno-Kanga; funkcje nieciągłe; algorytm bakteryjny; metoda najmniejszych kwadratów; modelowanie rozmyte

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2005
• Tom: z. 106
• Strony: 15--24
• Opis fizyczny: Bibliogr. 8 poz.

Twórcy

autor

Jastrzębski M.

• Technical University of Łódź, Institute of Automatic Control

Bibliografia

• [1] Jastrzębski M.: Approximating Discontinuous Functions Using Takagi-Sugeno-Kang Fuzzy Models, International Conference on Power Electronics and Intelligent Control for Energy Conservation 2005, CD-ROM.
• [2] Kabziński J., Woniak P., Kumiński K.: Effective selection of neuro-fuzzy Sugeno model architecture, 17th IASTED International Conference Modeling Identification and Control, Grindenwald, Switzerland, 1998a, pp. 100-102.
• [3] Nawa N.E., Furuhashi T.: A Study on Nonlinear Model Identification using Pseudo Bacterial Genetic Algorithm, Proc. of the 1997 International Conference on Neural Information Processing and Intelligent Information System, pp. 408-411.
• [4] Nawa N.E., Furuhashi T.: A study on the effect of transfer of genes for the bacterial evolutionary algorithm”, Knowledge-Based Intelligent Electronic Systems, 1998, vol. 3, pp. 585-590.
• [5] Salmeri M., Re M., Petrongari E., Cardarilli G.C.: A Novel Bacterial Algorithm to Extract the Rule Base from a Training Set, Fuzzy Systems, FUZZ IEEE 2000, The Ninth IEEE International Conference Volume 2, pp. 759-761.
• [6] Botzheim J., Hámori B., Kóczy L.T.: Applying bacterial algorithm to optimize trapezoidal membership functions in a fuzzy rule base, Dept. of Telecommunication and Telematics, Budapest University of Technology and Economics.
• [7] Jastrzębski M., Kabziński J.: Optimization of Takagi-Sugeno fuzzy models by pseudo-bacterial genetic algorithm, IEEE International Conference on Methods and Models in Automation and Robotics 2004, pp. 1411-1416.
• [8] Jastrzębski M.: Fuzzy modeling of friction by bacterial and least square optimization, IEEE International Conference on Methods and Models in Automation and Robotics 2005, CD-ROM.