PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!
  • Sesja wygasła!
Tytuł artykułu

Avoiding parameter growth of TSK fuzzy models

Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
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.
Rocznik
Tom
Strony
25--36
Opis fizyczny
Bibliogr. 8 poz.
Twórcy
  • 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.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-LOD1-0031-0041
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.