CC BY
47
22. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. - М.: Наука, 1990. - 272 с.
23. Iancu U. Propagation of uncertainy and imprecision in knowledge-based systems // Fuzzy Sets and Systems, 1998. - №94. - P. 29-43.
Заргаряи Юрий Артурович
Технологический институт федерального государственного образовательного учреждения высшего профессионального образования «Южный федеральный
университет» в г. Таганроге.
E-mail: fin_val_iv@tsure.ru.
347928, . , . , 44.
Тел.: 88634371773.
Кафедра систем автоматического управления; аспирант.
Затылкин Вячеслав Владимирович Zargarjan Jury Arturovich
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: fin_val_iv@tsure.ru.
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: 88634371773.
The Department of Automatic Control Systems; postgraduate student.
Zatylkin Vyacheslav Vladimirovich
УДК 681.5
ИХ. Коберси, Д.А. Белоглазое
ИНТЕЛЛЕКТУАЛЬНАЯ АДАПТИВНАЯ ГИБРИДНАЯ ОБУЧАЕМАЯ СИСТЕМА УПРАВЛЕНИЯ ТРАНСПОРТНЫМИ СРЕДСТВАМИ
Безопасность транспортных средств ^С) как объекта управления необходимо обеспечить в случае потери ручного управления, слабой ориентации на местности, и др. Подобные объекты входят в область исследования как в машиностроении, так и в системах автома-.
; .
I.S. Kobersi, D.A. Beloglazov
INTELLIGENT ADAPTIVE HYBRID TRAINABLE CONTROL VEHICLE
SYSTEM
Safety of Vehicles (MV) as an object of control should ensure that in case of loss of manual control, poor targeting, terrain, etc. Such objects are included in the study area as in engineering, as well as in automatic control systems.
Vehicle; control.
В работе Ш. Фэритора [1] описываются некоторые задачи управления автомо-
, . работе рассматривается система управления на основе искусственного интеллекта. Последовательность шагов при решении задачи может быть следующей (рис. 1).
Принимаемые сигналы от внешней среды классифицируются по типу сигналов «принято» (информация о состоянии движении ТС) или о скорости ТС на радиусе «двтасения», после того как сортируются сигналы по классам принимается решение о
11G
том, в какое состояние переключать работу ТС: «снизить, увеличить, оставить скорость стабильной ТС, в какую сторону направлять маршрут и т.д.», на основе принимаемого решения выполняется управление отдельных частей ТС «скорость, направ».
Рис. 1. Последовательность шагов при решении задачи управления
Входы:
Х: - угол, под которым находится препятствие (направление);
Х2 - расстояние до препятствия от ТС;
Х3 - скорость препятствия (подвижное, неподвижное).
:
У: - угол под которым движется ТС, управляющее воздействие руля);
У2 - скорость ТС, управляющее воздействие скорости);
Уз - расстояние ТС от препятствия, (управляющее воздействия достижения
- ).
1. Первый модуль
Входы представляют собой следующие параметры:
♦ Х: - поступающий сигнал от системы навигации, описывающий систему координат направления препятствия;
♦ У2 - ;
♦ У3 - расстояние от препятствия ТС (достижение цели).
ННС-,
Рис. 2. Упрошенная схема модуля управления направлением движения ТС
Выход модуля ННС1 представляет собой управляющее воздействие У: изменения направления ТС.
Направление движения препятствия, состояние скорости ТС и расстояние ТС от препятствия описываются тремя лингвистическими в со следующими терм-множествами Т:
Первая лингвистическая переменная «направление препятствия» ви со следующими терм множествами:
♦ вперед;
♦ вперед-надево;
♦ вперед направо;
♦ назад;
♦ назад-направо;
♦ назад-надево;
♦ вернуться в исходное положени е и изменить направление направо;
♦ вернуться в исходное положени е и изменить направление налево;
♦ вернуться в исходное состояние.
« » в12
:
♦ очень высо кая скорость;
♦ высокая скорость;
♦ средняя скорость;
♦ низкая скорость;
♦ очень низ кая скорость.
Третья лингвистическая переменная «расстояние от ТС препятствия» в13 со следующими терм множествами:
♦ подв ижный, спереди частично прикрывает проезд;
♦ подв ижный, спереди полностью прикрывает проезд;
♦ подв ижный, спереди не прикрывает проезд;
♦ подв ижный, сзади частично прикрывает проезд;
♦ подв ижный, сзади полностью прикрывает проезд;
♦ подв ижный, сзади не прикрывает проезд;
♦ подвижный с права или слева;
♦ неподвижный, спереди частично прикрывает проезд;
♦ неподвижный, спереди полностью прикрывает проезд;
♦ неподвижный, спереди не прикрывает проезд;
♦ неподвижный, сзади частично прикрывает проезд;
♦ неподвижный, сзади полностью прикрывает проезд;
♦ неподвижный сзади не прикрывает проезд.
2. Второй модуль
Входы представляют собой следующие параметры:
♦ Х2 - , -
щей расстояния ТС от препятствия;
♦ У1 - ;
♦ У3 - .
2 У2 -
нения скорости ТС.
Сигнал от системы искусственного зрения
ННСзвыход
Рис. 3. Упрошенная схема модуля управления скоростью движения ТС
Расстояние препятствия от ТС, состояние направления ТС и состояние препятствия (достижение цели) описываются тремя лингвистическими со сле-
- Т:
« » в21
со следующими терм множествами:
♦ подв ижный, спереди частично прикрывает проезд;
♦ подв ижный, спереди полностью прикрывает проезд;
ннс2
♦ подв ижный, спереди не прикрывает проезд;
♦ подв ижный, сзади частично прикрывает проезд;
♦ подв ижный, сзади полностью прикрывает проезд;
♦ подв ижный, сзади не прикрывает проезд;
♦ подвижный с права или слева;
♦ неподвижный, спереди частично прикрывает проезд;
♦ неподвижный, спереди полностью прикрывает проезд;
♦ неподвижный, спереди не прикрывает проезд;
♦ неподвижный, сзади частично прикрывает проезд;
♦ неподвижный, сзади полностью прикрывает проезд;
♦ неподвижный сзади не прикрывает проезд.
« » в22 -
ми терм множествами:
♦ вперед;
♦ вперед-надево;
♦ вперед направо;
♦ назад;
♦ назад-направо;
♦ назад-надево;
♦ вернуться в исходное положени е и изменить направление направо;
♦ вернуться в исходное положен ие и изменит направление налево;
♦ вернуться в исходное состояние.
« » в23
:
♦ очень высо кая скорость;
♦ высокая скорость;
♦ средняя скорость;
♦ низкая скорость;
♦ очень низ кая скорость.
3. Третий модуль
Входы представляют собой следующие параметры:
♦ Х3 - ,
;
♦ У1 - ;
♦ У2 - .
3 У3 -
стоянии достижения цели ТС и препятствия.
Скорость препятствия на радиусе движения ТС, состояние направления ТС и состояние скорости ТС описываются тремя лингвистическими в3г- со следующими
- Т:
Вторая лингвистическая переменная «направление ТС» в32 со следующими терм множествами:
♦ ;
♦ -;
♦ ;
♦ ;
♦ -;
♦ назад-надево;
♦ вернуться в исходное положени е и изменить направление направо;
♦ вернуться в исходное положен ие и изменит направление налево;
♦ вернуться в исходное состояние.
Первая лингвистическая переменная «скорость препятствия» в31 со следующими терм множествами:
«очень высокая скорость; высокая скорость; средняя скорость; низкая скорость;
».
ннс,
Рис. 4. Упрошенная схема модуля управления состоянием движения ТС
в
33
Третья лингвистическая переменная «расстояние от препятствия ТС» со следующими терм множествами:
♦ подв ижный, спереди частично прикрывает проезд;
♦ подв ижный, спереди полностью прикрывает проезд;
♦ подв ижный, спереди не прикрывает проезд;
♦ подв ижный, сзади частично прикрывает проезд;
♦ подв ижный, сзади полностью прикрывает проезд;
♦ подв ижный, сзади не прикрывает проезд;
♦ подвижный с права или слева;
♦ неподвижный, спереди частично прикрывает проезд;
♦ неподвижный, спереди полностью прикрывает проезд;
♦ неподвижный, спереди не прикрывает проезд;
♦ неподвижный, сзади частично прикрывает проезд;
♦ неподвижный, сзади полностью прикрывает проезд;
♦ неподвижный сзади не прикрывает проезд.
Форма функции принадлежности модулей управления представляет собой треугольную форму со следующей функцией:
а,
0, х є
х,. - ак Г к
* . -С - а. х є к,
х - с. Г к
* . -с - с. , хє к ,
0, хє к,
Размещение и форму такой функции принадлежности определяют следую-
щими параметрами: а.
.
Ь. и с- , где Ь. - центр; а. и с. - приделы функции
На рис. 5. представлена общая структура интеллектуальной адаптивной гибридной обучаемой системы управления ТС, в состав которой, входят вышеописанные модули управления скоростью направлением и состоянием ТС.
Несмотря на огромные условия и последствия в результате формирования ба, -стояние препятствия относительно ТС, а и позволяет участвовать в принятии решений параметров описывающих состояние ТС путем создания обратной связи .
Входные параметры
Система
навигации
Искусственное зрение
Датчики
скорости
Интеллектуальная система управления
Объект управления
ННЄі
ННС2
ННСз
Направление
движения
Скорость
движения
Состояние ТС
Рис. 5. Интеллектуальная адаптивная гибридная обучаемая система управления ТС
4. Основание выбора модулей управления параметрами ТС
Опишем выбор каждого модуля управления параметрами ТС в отдельности. Выбор нейронных нечетких сетей управления был обоснован удалением недостатков нейронных сетей и нечетких систем, перечислим недостатки двух систем:
♦ Для нейронных сетей:
1. При оптимизации весов НС возникает проблема остановки алгоритма обучения в локальном минимуме, что приводит к необходимости применения алгоритмов глобальной оптимизации, которые работают достаточно медленно.
2. Отсутствует строгая теория по выбору типа и архитектуры НС, что приводит к необходимости применять алгоритмы самоорганизации, которые также работают достаточно медленно.
3. Всю информацию НС получают в процессе обучения, и никакую априорную информацию ввести в НС невозможно.
♦ Для нечетких систем:
1. .
2. -.
3. -
дит к повышению точности вычислений.
Несмотря на недостатки этих систем, при совместной работе двух систем улучшится работоспособность созданного гибрида.
Обоснование выбора вида нейронного нечеткого модуля управления направлением ТС ННС1 выбирается модулем с необыкновенной структурой дефаззифи-кации в виде нейронной сети. Выбор такого вида дефаззификации позволяет избе-
жать некорректных управляющих воздействий путем совпадения двух и более значений в процессе их расчета и выбора.
Для второго ННС2 и третьего ННС3 модулей выбирается простая нечеткая модель в виде простой нейронной сети. Ее выбор был обоснован тем, что в системе не могут повторяться одни те же значения вывода нечеткого, что приведет к избеганию от применения сложного нейронного нечеткого модуля. Данная структура в некоторых источниках называется вероятностной нейронной нечеткой сетью.
Однако эти модули не являются идеальными и нуждаются в настройке параметров (обучение), для ННС существует множество алгоритмов и методов обучения из них перечислим три основных направления:
♦ градиентные методы;
♦ не градиентные методы;
♦ эволюцио нные методы.
Первые два метода находят большое применение в обучении огромных ННС систем управления, но у этих методов большой недостаток - являющийся большое время настройки параметров сетей (характеризуется большим числом расчетов ).
( ).
Отличие генетических алгоритмов от остальных методов:
♦ простой способ обучения;
♦
.
Нечеткие нейронные сети с генетической настройкой параметров (гибридные ) -татков отдельных методов:
1. Представление знаний в нейронных сетях в виде матриц весов не позволяет объяснить результаты проведенного распознавания или прогнозирования, тогда как в системах вывода на базе нечетких правил, результаты воспринимаются как ответы на вопросы "почему?".
2. , . . трудоемкое извлечение знаний заменяется сбором достаточной по объему обу.
сложные процессы формализации понятий, определение функций принадлежности, формирование правил вывода.
3. ,
объясняются как в системах нечеткого вывода.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Финаев В.И. Модели систем принятия решений. - Таганрог: Изд-во ТРТУ, 2005.
2. Гайдук А.Р. Системы автоматизированного управления. Примеры, анализ и синтез.
- Таганрог: Изд-во ТРТУ, 2006. - 414 с.
3. Уоссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992.
4. Горбань AM., Россиев ДА. Нейронные сети на персональном компьютере. СП Наука
1996.
5. . ., . . .
- 1998.
6. . -
женных решений. - М.: Мир, 1976. - 165 с.
7. Zadeh L.A. Fuzzy logic and approximate reasoning // Synthese, 1975. - V. 80. - P. 407-428.
8. . ., . .
. - - - : - , 1990. - 128 .
Коберси Искандар Сулейман
Технологический институт федерального государственного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: salouma1@mail.ru.
347928, г. Таганрог, пер. Некрасовский, 44.
.: 88634371689.
Белоглазое Денис Александрович Тел.: 89518382131.
Kobersi Iskandar Souleiman
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: salouma1@mail.ru.
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: 88634371689.
Beloglazov Denis Alexandrovich
Phone: 89518382131.
УДК 51-35
Д.С. Махов, C.E. Мищенко
МЕТОД РЕШЕНИЯ МНОГОКРИТЕРИАЛЬНЫХ СИНТЕЗА
ИНТЕЛЛЕКТУАЛЬНЫХ АНТЕННЫХ СИСТЕМ*
Предложен многокритериальный метод решения задач синтеза антенных решеток, отличающийся процедурой определения весовых множителей Лагранжа на основе операций теории нечетких множеств. Использование аппарата нечетких множеств позволяет свести некорректно поставленную задачу синтеза к корректной задаче, которая имеет .
, , , -
.
D.S. Mahov, S.E. Mishchenko
METHOD OF THE DECISION MANYCRITERIAN PROBLEMS OF THE SYNTHESIS OF THE INTELLECTUAL ANTENNA SYSTEMS
Manycriterian method of the decision of the problems of the syntheses of the antenna array, diversified by procedure of the determination Lagranzh multipliers on base operation of fuzzy sets theory is appeared. Use the device of the fuzzy sets allows to reduce incorrect set the problem syntheses to well-behaved problem, which has a single decision.
Problem of the syntheses, diagram directivity, fuzzy set, function accesories
Постановка задачи синтеза системы может содержать несколько противоре-. , , -дому критерию по отдельности, а представляет собой компромисс между всеми . -ных решеток (АР) могут выступать следующие: максимум коэффициента направ-
* Доклад выполнен при поддержке Совета по грантам Президента РФ (фант № МД-1145.2009.8).
