Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Zastosowanie rozmytego i rozmyto-neuronowego klasyfikatora w zadaniu rozpoznawania faz lotu

Mieszkowicz-Rolka A., Rolka L.

Zeszyty Naukowe Politechniki Rzeszowskiej. Mechanika

2001

z. 56[186], t.1

79-86

W referacie proponuje się zastosowanie klasyfikatora rozmytego i rozmytego klasyfikatora neuronowego do rozwiązania zadania rozpoznawania faz lotu. Przedstawiona i omówiona została struktura klasyfikatora rozmytego rozwiązującego zadanie rozpoznawania wybranych faz lotu samolotu. Przyjęto, że konstruowanie funkcji przynależności oraz budowa bazy reguł odbywa się w oparciu o wiedzę eksperta, a reguły przyjmuje się w postaci dysjunkcyjno - koniunkcyjnej. Moduł wnioskowania klasyfikatora działa na zasadzie wnioskowania uproszczonego z zastosowaniem operatora implikacji Mamdaniego, zaś funkcje przynależności zbiorów - rozmytych związanych z wyjściem przyjmuje się w postaci singletonów. Tak zbudowany klasyfikator rozmyty stał się punktem wyjścia do konstrukcji rozmytego klasyfikatora neuronowego, który łączy zalety zbiorów rozmytych i zdolność do uczenia jaką posiadają sztuczne sieci neuronowe.

In this paper, application of fuzzy and neuro-fuzzy classifier in flight phases recognition task is proposed. The fuzzy classifier structure applied to recognition of a pIane phases is presented. lt is assumed that the construction of membership functions and the building of the rules base are done using the expert knowledge. The rules have a disjunction-conjunction form. The classifier lnference Module works on simpler inference with Mamdani implication operator. The output membership functions have singletons form. The fuzzy classifier made in this way, is the first step to neuro-fuzzy classifier construction. lt aggregates the advantages of fuzzy sets with artificial neural networks ability to learn.

Zastosowanie logiki rozmytej i sztucznych sieci neuronowych w lotniczych systemach sterowania

Mieszkowicz-Rolka A., Rolka L.

Zeszyty Naukowe Politechniki Rzeszowskiej. Mechanika

1998

z. 51[168], t.1

175-182

Sterowanie złożonymi obiektami w zmieniających się warunkach wymagać może zastosowania metod odbiegających od podejścia klasycznego. Doświadczony operator, jakim jest np. pilot, potrafi skutecznie sterować złożonym obiektem, mimo dysponowania jedynie uproszczonym modelem wewnętrznym występujących zjawisk. Wydaje się, że obiecującym podejściem w projektowaniu nowoczesnych systemów sterowania jest tworzenie systemów hybrydowych, które łączą metody wykorzystujące wiedzę i doświadczenie pilota, z metodami klasycznej teorii sterowania. W artykule omówiono przykłady zastosowań metod sztucznej inteligencji w lotniczych systemach sterowania, a w szczególności logiki rozmytej i sztucznych sieci neuronowych. Mogą być one z powodzeniem stosowane jako uzupełnienie metod klasycznych, zwłaszcza tam, gdzie występują niepewności, nie liniowości i konieczna jest adaptacja i uczenie.

In various issues concerning design, building, use, and diagnostics of flight control systems there are many problems difficult to solve with classical methods. Control of complex plants in a changing environment requires methods, which have properties characteristic to an intelligent behaviour. A skilled operator e.g. a pilot can efficiently control a complex object despite of using only approximate inner model of the observed phenomena. In relation to classical control systems the operator has superiority based on his ability to predict, learn, and respond to new circumstances. At the other side the automatic control systems allow to achieve greater accuracy and control rate. It appears, that constructing hybrid systems is a promising way to design modern control systems. This paper discusses some application examples of artificial intelligence in flight control systems, especially applications of fuzzy logic and artificial neural networks. These methods can be successfully applied as an extension of classical methods of control, particularly in cases of uncertainty, non-linearity, and where adaptation and learning are needed.