Avoiding parameter growth of TSK fuzzy models

• Autorzy: Kabziński J.

Warianty tytułu

PL

Redukowanie liczby parametrów w rozmytych modelach Takagi-Sugeno-Kanga

• Języki publikacji: EN

Abstrakty

EN

We propose two relatively simple and effective procedures for creating neuro-fuzzy Takagi-Sugeno-Kang model and for tuning of TSK model parameters together with the rule-base structure optimisation. The main advantage of the first method is that the initial structure and parameters are set properly, so we need a few training iterations for the neural network representation of our model to converge. In the second approach the most important is rule reduction procedure -annihilation and fusion incorporated in a genetic optimisation algorithm. Numerical examples are provided.

PL

Zaproponowano dwie proste metody tworzenia neuro - rozmytych modeli typu Tkagi-Sudeno-Kanga, strojenia ich parametrów i optymalizacji bazy reguł decyzyjnych. Pierwsza metoda pozwala na utworzenie wyjściowej struktury modelu obarczonej stosunkowo niewielkim błędem, co znacznie zmniejsza liczbę koniecznych iteracji algorytmu uczącego. W drugim podejściu wykorzystano operatory redukcji reguł - anihilację i fuzję wkomponowane w pseudo-bakteryjny algorytm genetyczny optymalizacji modelu. Przedstawiono przykłady ilustrujące właściwości obu metod.

Słowa kluczowe

EN

Takagi-Sugeno-Kang model; fuzzy model; pseudo-bacterial genetic algorithm; tuning of TSK models

PL

model Takagi-Sugeno-Kanga; model rozmyty; algorytm pseudobakteryjny; algorytm genetyczny; strojenie modeli TSK

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2005
• Tom: z. 106
• Strony: 25--36
• Opis fizyczny: Bibliogr. 8 poz.

Twórcy

autor

Kabziński J.

• Technical University of Łódź, Institute of Automatic Control

Bibliografia

• [1] Sugeno M., Kang T.: Structure identification of fuzzy model, Fuzzy Sets and systems, 28(1), 1988, pp. 15-33.
• [2] The Fuzzy Logic Toolbox, The MathWorks Inc., 1995.
• [3] Jang J.-S R., Sun C.-T.: Neuro-Fuzzy Modeling and Control, Proceedings of IEEE, 83(3), 1995, pp. 378-406.
• [4] Lin Y., Cunningham III G.A., Coggeshal S.V.: Using fuzzy partitions to create fuzzy systems from input-output data and set the initial weights in a fuzzy neural network, IEEE Trans. on Fuzzy Systems , 5(4), 1997, pp. 614-621.
• [5] Cabrita C., Botzheim J., Ruano A.E., Kóczy L.T.: Genetic Programming and bacterial algorithm for neural networks and fuzzy system design. IFAC International Conference on Intelligent Control Systems and Signal Processing, Faro 2003, pp. 500-505.
• [6] Kabziński J., Woźniak P., Kumiński K.: Effective selection of neuro-fuzzy Sugeno model architecture. 17th IASTED International Conference Modelling Identification and Control, Grindenwald, Switzerland, 1998, p. 100-102.
• [7] Nawa N.E., Furuhashi T.: Fuzzy System Parameters Discovery by Bacterial Evolutionary Algorithm. IEEE Transaction on Fuzzy Systems, vol. 7, No. 5, October 1999, pp. 608-616G. O. Young, “Synthetic structure of industrial plastics (Book style with paper title and editor),” in Plastics, 2nd ed. vol. 3, J. Peters, Ed. New York: McGraw-Hill, 1964, pp. 15-64.
• [8] Jastrzębski M., Kabziński J.: Optimization of Takagi-Sugeno fuzzy models by pseudo-bacterial genetic algorithm, Proc. of The 10th IEEE International Conf. On Methods and Models in Automation and Robotics, 2004, Międzyzdroje, Poland.