Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: neuro-fuzzy modeling

Sortuj według:

Ogranicz wyniki do:

Determination of similarity criteria in optimization tasks by means of neuro-fuzzy modelling

Rubanenko L., Komar V. O., Petrushenko O. Y., Smolarz A., Smailova S., Imanbekova U.

Przegląd Elektrotechniczny

2017

R. 93, nr 3

93--96

A method is proposed for solving optimization problems with high complexity when searching for the function minimum by using methods and means of similarity theory and neuro-fuzzy modelling. The problem with nonlinear objective function and constraints is transformed into a task with a nonlinear objective function and linear constraints. In this task, the basic similarity criteria are presented in the form of membership functions. Dependent similarity criteria are defined through the base with the use of standard computational procedures.

Zaproponowano metodę do rozwiązywania problemów optymalizacyjnych o wysokiej złożoności przy poszukiwaniu minimum funkcji za pomocą metod i środków teorii podobieństwa i modelowania -rozmytego. zadanie z nieliniowymi funkcją celu i ograniczeniami jest przekształcana na zadanie z nieliniową funkcją celu i liniowymi ograniczeniami. W zadaniu tym podstawowe kryteria podobieństwa są przedstawiane w postaci funkcji przynależności. Zależne kryteria podobieństwa zdefiniowane są przez podstawę, przy użyciu standardowych procedur obliczeniowych.

Analytical and neuro-fuzzy modeling for fault detection and identification for nonlinear systems: application to robot manipulator

Lazeregue M. S., Salhi H., Tadjine M.

Archives of Control Sciences

2009

Vol. 19, no. 3

325-350

This work deals with modeling and fault detection and identification for robot manipulator. We have used for a dynamical system a hybrid approach. The model is decomposed into two parts: first, a certain part modeled using classical analytical theory and it is preferable to be linear. Second, an uncertain part representing the nonlinearities neglected in the first part, which is modeled using neuro-fuzzy modeling. Both analytical redundancy and neuro-fuzzy modeling are used to improve robustness. The analytical redundancy is used to generate residuals for the fault detection and location procedure. The neuro-fuzzy modeling is used to model modeling errors and faults, which allows performing the robustness and the sensitivity. Thanks to neuro-fuzzy modeling the errors of modeling are compensated and the faults are well identified as it is shown through the results of simulation.