Wyniki wyszukiwania - Biblioteka Nauki

1

Minimalizacja błędu dekompozycji w sterowniku Fuzzy Logic o architekturze hierarchicznej

100%

Wyrwoł B.

|

tom Vol. 54, nr 9

122-125

PL

W artykule przedstawiony został programowalny sterownik logiczny, w którym zaimplementowany został system wnioskowania przybliżonego o architekturze hierarchicznej, a także metoda tworzenia dla niego bazy wiedzy w oparciu o bazę wiedzy systemu klasycznego. Taka realizacja systemu pozwala z jednej strony obniżyć nakłady sprzętowe i obliczeniowe oraz zmniejszyć czas wyznaczania wyniku, z drugiej zaś powoduje zwiększenie rozmytości wyniku wnioskowania, który jest następstwem występowania tzw. błędu dekompozycji. W oparciu o przeprowadzone badania sterownika w środowisku docelowym pokazany został wpływ zwiększonej rozmytości wyniku wnioskowania na parametry regulacji oraz zaproponowano nową metodę minimalizacji błędu dekompozycji opartą na modyfikacji następników reguł pierwotnej bazy wiedzy.

EN

The paper presents the programmable logic controller with implementation of the rule hierarchical fuzzy inference system, as well as a method of creating a knowledge base for it on the basis of a classical system knowledge base. The hierarchical architecture of the inference system allows reduce hardware and software cost and computational time, but the inference result is more fuzzy than in the classical system architecture, which is a consequence of the presence of so-called error decomposition. Based on research of the controller in the target environment, it is presented influence of the more fuzzy inference results on control parameters, and also it is proposed a new decomposition error minimization method based on modification of the consequence part of the rules in the primary knowledge base.

2

Wykorzystanie algorytmów kolorowania grafu w sprzętowej realizacji systemu wnioskowania przybliżonego HFIS

100%

Wyrwol B.

|

tom R. 87, nr 10

64-67

PL

Realizacja sprzętowego systemu wnioskowania przybliżonego, przy wykorzystaniu techniki dekompozycji opartej na operacjach projekcji oraz podziału, wymaga mniejszych nakładów sprzętowych i obliczeniowych. W artykule omówiono metodę podziału bazy wiedzy opartą na algorytmie kolorowania grafu, pokazano zależność uzyskiwanych wyników od sposobu uporządkowania reguł oraz przedstawiono szacunkowy koszt praktycznej implementacji modułu GCM, wspomagającego dekompozycję, w sprzętowym systemie FPGA-FIS.

EN

Hardware costs and computing time of the hardware implementation of the fuzzy inference system can be decreased using decomposition technique based on projection and partitioning. The paper presents the partitioning method of the knowledge base using graph vertex coloring algorithms. It discusses finally obtained results dependent on rule (graph vertex) arrangement and hardware cost estimation of the implementation the GCM module in the FPGA-FIS fuzzy inference system.

3

Sprzętowa implementacja zachłannego algorytmu kolorowania grafu

88%

Wyrwoł B.

|

2010

|

tom Vol. 51, nr 9

21-23

PL

Kolorowanie grafów znajduje zastosowanie wszędzie tam, gdzie konieczny jest podział zbioru na rozłączne podzbiory wg określonego kryterium jakie spełniają lub nie elementy zbioru. Większość algorytmów kolorowania realizowana jest zwykle na drodze programowej. W sytuacji, kiedy dużą rolę odgrywają uwarunkowania czasowe, konieczna jest realizacja sprzętowa z wykorzystaniem dedykowanego układu. W artykule przedstawiony został zachłanny algorytm kolorowania wierzchołków grafu oraz jego sprzętowa implementacja w układzie programowalnym FPGA. Dodatkowo omówiona została metoda reprezentacji danych opisujących strukturę grafu i przykład wykorzystania sprzętowego modułu kolorowania grafu, wspomagającego proces dekompozycji lingwistycznej, w systemie wnioskowania przybliżonego.

EN

Graph coloring algorithms are used wherever it is necessary to divide set on disjoint subsets according to specified criteria or not they meet the elements of the set. Most of the coloring algorithms are usually implemented as a computer or microcontroller program. To reduce computing time of the coloring result it is necessary to implement hardware using a dedicated chip. The paper presents graph greedy vertex algorithm and its hardware implementation in an FPGA chip. It describes also a graph data structure and finally implementation of the graph coloring module in the fuzzy hierarchical inference system. It is used in linguistic decomposition process of the knowledge base in the stage of the partitioning the rule base.

4

Sprzętowa implementacja algorytmu dekompozycji sIRD w układzie FPGA

88%

Wyrwoł B.

|

2010

|

tom Vol. 51, nr 1

25-28

PL

Jedną z metod obniżenia nakładów sprzętowych i obliczeniowych w realizacjach regułowych lub relacyjnych systemów wnioskowania przybliżonego jest wykorzystanie techniki dekompozycji bazy wiedzy opartej na operacji projekcji. Pozwala ona przedstawić system w postaci struktury hierarchicznej, jednak wynik uzyskiwany z takiego systemu może charakteryzować się zwiększoną rozmytością w porównaniu z wynikiem uzyskiwanym z systemu o klasycznej architekturze. Można tego uniknąć poprzez wstępny podział bazy wiedzy systemu wnioskującego, a dopiero w kolejnym etapie przeprowadzić właściwą dekompozycję. Opracowane do tej pory algorytmy podziału nie pozwalają uzyskać zadowalających wyników dla szerokiej klasy systemów. Zaprezentowany w artykule algorytm slRD, oparty na rozkładzie reguł sprzecznych w bazie wiedzy, pozwala uzyskać, jak do tej pory, najlepsze wyniki. Jego sprzętowa implementacja znalazła swoje odzwierciedlenie w systemie wnioskowania przybliżonego zrealizowanego na bazie układu FPGA.

EN

Hardware costs and computing time of the practical realization of the rule and relational fuzzy inference systems can be decreased using decomposition technique based on projection. It allows show system as a hierarchical architecture. The inference result of the system is more fuzzy than of the classical system. This disadventage can be eliminated through initial partitioning knowledge base of the inference system, and then used primary decomposition method. The known partitioning algorithms do not permit to get the optimal results for a wide class of the fuzzy systems. In the paper is presented a sIRD algorithm based on inconsistency rule distribution amount. It allows get nearly optimal partitioning results. It is implemented in hardware fuzzy inference system based on an FPGA chip.

5

Sprzętowa implementacja algorytmów dekompozycji lingwistycznej opartych na podziale bazy wiedzy w układzie FPGA

75%

Wyrwoł B.

|

tom R. 55, nr 7

511-514

PL

Układowe realizacje systemów wnioskowania przybliżonego wymagają często znacznych nakładów. Zmniejszenie ich jest możliwe poprzez zastosowanie metody dekompozycji Gupty i przedstawieniu systemu jako struktury hierarchicznej. W celu wyeliminowania jej niekorzystnych własności konieczny jest wstępny podział bazy wiedzy. Zaproponowana została metoda najlepszego wyboru wykorzystująca wybrane algorytmy podziału, zaimplementowana w sprzętowym systemie wnioskowania przybliżonego FPGA-FIS.

EN

The hardware cost of a fuzzy inference system can be reduced using the Gupta's relational decomposition technique [1]. The system can be represented as a hierarchical architecture that comprises a set of Single Input Single Output subsystems (Fig. 1). The decomposition has some disadvantages, computation of the global relation ℜ is an extremely time-consuming process and a large memory is necessary to store it. They can be eliminated if projection is expanded on linguistic level and decomposition is used for the knowledge base (1), (Fig. 2) [2]. The projection operation (on relational or linguistic level) in some cases can lead to inevitable loss of information because of its approximate nature [3]. To avoid the inference error (the output result is more fuzzy than that obtained in the classical system architecture (3)) methods for partitioning (5) the knowledge base KB[Y , XK,? , X1] into p subbases without inconsistent rules (4) are proposed [4]. In Section 3 the methods based on partitioning towards a defined input linguistic variable (Fig. 3) and elimination of the inconsistent rules (Fig. 4) are described [5, 6]. The algorithms are simple and fast but the results are not optimal in all cases (hardware cost depends on the number of subsystems p, Tab. 1). Thus, the method of the best choice is proposed and implemented in the FPGA fuzzy inference system as a DMU (Decomposition Management Unit) module (Fig. 6).