- •А.П. Ротштейн Интеллектуальные технологии идентификации
- •Глава 1
- •1.1. Нечеткие множества
- •1.1.1. Основные понятия теории нечетких множеств
- •1.1.2. Свойства нечетких множеств
- •1.1.3. Операции над нечеткими множествами
- •1.1.4. Некоторые дополнительные понятия
- •1.1.5. Нечеткие отношения
- •1.1.7. Нечеткость и вероятность
- •1.1.6. Нечеткие числа
- •1.2. Генетические алгоритмы
- •1.2.1. Принципы построения генетических алгоритмов
- •1.2.2. Основные операции генетических алгоритмов
- •1.2.3. Стратегии поиска
- •1.2.4. Отличие от классического поиска
- •1.2.5. Преимущества генетических алгоритмов
- •1.2.6. Терминология
- •1.2.7. Примеры генетической оптимизации
- •1.3. Нейронные сети
- •1.3.1. Основные понятия
- •1.3.2. Имитация нервных клеток
- •1.3.4. Обучение нейронных сетей
- •1.3.5. Метод обратного распространения ошибки
- •Глава 2
- •2.1. Лингвистические правила в принятии решений
- •2.1.1. Автоматическое управление
- •2.1.2. Ситуационное управление
- •2.1.3. Медицинская диагностика
- •2.1.4. Многокритериальная оценка
- •2.1.5. Многофакторный анализ
- •2.2. Принятие решений и идентификация
- •2.3. Принципы лингвистического моделирования
- •Глава 3
- •3.1. Формализация исходной информации
- •3.1.1. Входы и выходы объекта
- •3.1.2. Лингвистические переменные
- •3.1.3. Нечеткая база знаний
- •3.1.4. Функции принадлежности
- •3.2. Объекты с дискретным выходом
- •3.2.1. Постановка задачи
- •3.2.2. Нечеткие логические уравнения
- •3.2.3. Алгоритм аппроксимации
- •3.3. Объекты с непрерывным выходом
- •3.3.1. Постановка задачи
- •3.3.2. Алгоритм аппроксимации
- •3.4. Применение композиционного правила вывода
- •3.4.1. Постановка задачи
- •3.4.2. Нечеткий логический вывод
- •3.4.3. Интерпретация вывода
- •3.5. Иерархические объекты
- •3.5.1. Обобщенное дерево логического вывода
- •3.5.2. Нечеткие логические уравнения
- •Глава 4
- •4.1. Нечеткое представление неопределенных параметров
- •4.2. Учет влияющих факторов
- •4.3. Нечеткое обобщение аналитических моделей
- •4.3.1. Принцип обобщения Заде
- •4.3.3. Модифицированный принцип обобщения
- •4.4. Методика нечеткого обобщения аналитических моделей
- •Глава 5
- •5.1. Задачи оптимальной настройки
- •5.1.1. Веса правил
- •5.1.2. Объект с непрерывным выходом
- •5.1.3. Объект с дискретным выходом
- •5.1.4. Критерии качества идентификации
- •5.2. Настройка параметрических функций принадлежности
- •5.2.1. Кодирование
- •5.2.2. Скрещивание
- •5.2.3. Мутация
- •5.2.4. Функция соответствия
- •5.2.5. Выбор родителей
- •5.2.6. Генерация популяции
- •5.2.7. Генетический алгоритм
- •5.3. Настройки -уровневых функций принадлежности
- •5.3.1. Аналитические модели функций принадлежности
- •5.3.2. Настройки модели с дискретным выходом
- •5.3.3. Настройки модели с непрерывным выходом
- •5.3.4. Кодирование и скрещивание
- •5.3.5. Мутация
- •5.3.6. Функция соответствия
- •5.3.7. Генерация популяции
- •5.3.8. Генетический алгоритм
- •5.4. Компьютерные эксперименты
- •5.4.1. Методика экспериментов
- •5.4.2. Объекты с непрерывным выходом
- •5.4.3. Объекты с дискретным выходом
- •5.4.4. Исследование -уровневой настройки
- •5.5. Извлечение знаний из экспериментальных данных
- •5.5.1. Постановка задачи
- •5.5.2. Критерий оптимизации
- •5.5.3. Генетический алгоритм оптимизации
- •5.5.4. Пример
- •5.6. Объект "много входов - много выходов"
- •Глава 6
- •6.1. Нейронная идентификация
- •6.1.1. Нейронная сеть как универсальный аппроксиматор
- •6.1.2. Обучение нейронной сети
- •6.1.3. Компьютерные эксперименты
- •6.2.2. Нейро-лингвистический аппроксиматор
- •6.2.1. Лингвистический аппроксиматор
- •6.2.3. Обучение нейро-нечеткой сети
- •6.2.4. Компьютерные эксперименты
- •6.3. Сравнение с нейронной идентификацией
- •Глава 7
- •7.1. Принцип слияния целей и ограничений
- •7.1.1. Нечёткие цели и ограничения
- •7.1.2. Нечёткие решения
- •7.2. Метод построения функции принадлежности
- •7.2.1.Постановка задачи
- •7.2.2. Основные определения и соотношения
- •7.2.3. Алгоритм построения функции принадлежности
- •7.3. Многокритериальный анализ вариантов
- •7.3.1. Общие принципы
- •7.3.2. Критерии как нечеткие множества
- •7.3.3. Равновесные критерии
- •7.3.4. Неравновесные критерии
- •7.4. Пример многокритериального анализа
- •7.4.1.Критерии оценки вариантов
- •Глава 8
- •8.1. Система fuzzy expert
- •8.1.1. Структура системы
- •8.1.2. Экранные формы
- •8.2. Диагностика ишемической болезни сердца
- •8.2.1. Типы диагнозов и параметры состояния больного
- •8.2.2. Нечеткая база знаний
- •8.2.3. Нечеткие логические уравнения
- •8.2.4 Грубые функции принадлежности
- •8.2.5. Алгоритм принятия решения
- •8.2.6. Тонкая настройка нечеткой базы знаний
- •8.3. Прогнозирование количества заболеваний
- •8.3.1. Экспериментальные данные
- •8.3.2. Экспертно-лингвистические закономерности
- •8.3.3. Модель прогнозирования
- •8.3.4. Настройка модели прогнозирования
- •8.4. Идентификация коэффициента сцепления "автомобиль-дорога"
- •8.4.1. Методика идентификации
- •8.4.2. Структурная идентификация
- •8.4.3. Параметрическая идентификация
- •8.4.4. Пример и сравнение с действующей методикой
- •8.5. Многофакторный анализ технологического процесса биоконверсии
- •8.5.1. Этапы и принципы моделирования
- •8.5.2. Дерево вывода
- •8.5.3. Нечеткие матрицы знаний
- •8.5.4. Нечеткий логический вывод и дефаззификация
- •8.5.5. Примеры моделирования
- •8.6. Оценка дипломных проектов
- •8.6.1. Интегральные и частные показатели
- •8.6.2. Уровни качества
- •8.6.3. Оценка частных показателей по принципу термометра
- •8.6.4. Оценка интегрального показателя
- •8.6.5. Возможные обобщения
- •8.7. Оценка кредитоспособности инновационных проектов
- •8.7.1. Типы решений и частные показатели качества
- •8.7.2. Нечеткие базы знаний
- •8.7.3. Функции принадлежности и примеры оценки
- •8.8. Управление динамической системой
- •8.8.1. Объект управления
- •8.8.2. Классическая модель управления
- •8.8.3. Нечеткая модель управления
- •8.8.4. Связь с функциями Ляпунова
8.4.3. Параметрическая идентификация
Таблица 8.15.
Факторы, влияющие на коэффициент сцепления
Фактор |
Универсальное множество |
Термы для оценок |
- интегральный показатель "тип шин - дорога" |
(0 - 9) у.е. |
низкий ( |
- степень проскальзывания шины |
(0 - 100)% |
качение с проскальзыванием ( ), юз ( ) |
- износ шины |
(0 - 100)% |
новая ( |
- давление в шине |
(0.1 - 0.325) МПа |
пониженный ( |
-нагрузка на колесо |
(0 - 100)% |
без нагрузки ( |
-скорость автомобиля |
(0 - 130)км/ ч |
низкая ( |
Таблица 8.16.
Рекомендации для оценки интегрального показателя
Дорожное покрытие |
Показатель для типа шин ( ) |
|||
Тип ( ) |
Состояние ( ) |
Высокого давления |
Низкого давления |
Высокой проходимости |
Асфальтобетонное, цементобетонное |
Сухое |
5.63 - 7.88 |
7.88 - 9 |
7.88 - 9 |
|
Увлажненное дождем |
3.1 - 4.33 |
4.33 - 4.95 |
4.33 - 4.95 |
|
Мокрое |
3.94 - 5.06 |
5.06 - 6.19 |
5.63 - 6.75 |
|
Покрытое грязью |
2.81 - 5.06 |
2.81 - 4.5 |
2.81 - 5.06 |
|
Мокрый снег (t>0°C) |
2.1 - 3.4 |
2.1 - 4.2 |
2.1 - 4.2 |
|
Гололед (t<0°C) |
0.9 - 1.69 |
1.13 - 2.25 |
0.56 - 1.13 |
Булыжное |
Сухо |
4.5 - 5.63 |
5.63 - 6.19 |
6.75 - 7.88 |
|
Мокрое |
2.7 - 3.75 |
3.75 - 4.43 |
4.5 - 6.19 |
Щебеночное |
Сухое |
5.63 - 6.75 |
6.75 - 7.88 |
6.75 - 7.88 |
|
Мокрое |
3.38 - 4.5 |
4.5 - 5.63 |
4.5 - 6.19 |
Грунтовая дорога |
Суха |
4.5 - 5.63 |
5.63 - 6.75 |
5.63 - 6.75 |
|
Увлажненная дождем |
2.25 - 4.5 |
3.38 - 5.06 |
3.94 - 5.63 |
|
В период распутицы |
1.68 - 2.81 |
1.68 - 2.81 |
2.25 - 3.38 |
Целина летом: Песок |
Сухой |
2.25 - 3.38 |
2.48 - 4.5 |
2.25 - 3.38 |
|
Влажный |
3.94 - 4.5 |
4.5 - 5.63 |
4.5 - 5.63 |
Суглинок |
Сухой |
4.5 - 5.63 |
5.06 - 6.19 |
4.5 - 5.63 |
|
Увлажненный до пластического состояния |
2.25 - 4.5 |
2.81 - 4.5 |
3.38 - 5.06 |
|
Увлажненный до текучего состояния |
1.69 - 2.25 |
1.69 - 2.81 |
1.69 - 2.81 |
Целина зимой: снег |
Рыхлый |
2.25 - 3.38 |
2.25 - 4.5 |
2.25 - 4.5 |
|
Укатанный |
1.69 - 2.25 |
2.25 - 2.81 |
3.38 - 5.63 |
Таблица 8.17.
Нечеткая база знаний
|
|
|
|
|
|
|
Вес |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
0.700 |
|
|
|
|
|
|
|
0.999 |
|
|
|
|
|
|
|
0.700 |
|
|
|
|
|
|
|
0.700 |
|
|
|
|
|
|
|
0.998 |
|
|
|
|
|
|
|
0.700 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.300 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.997 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.999 |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.999 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.400 |
|
|
|
|
|
|
|
0.699 |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
1.000 |
|
|
|
|
|
|
|
0.600 |
Настройка модели производилась с помощью обучающей выборки, которая представляет собой совокупность пар <влияющие факторы - коэффициент сцепления>. Для получения обучающей выборки проводился специально спланированный натурный эксперимент с автомобилем <Москвич - 412>. В этом эксперименте варьировались факторы, влияющие на коэффициент сцепления, и измерялась длина пути торможения автомобиля. Общий объем обучающей выборки составил 60 пар данных <влияющие факторы - коэффициент сцепления>. Настройка модели производилась с помощью системы FUZZY EXPERT. В результате получены функции принадлежности нечетких термов, показанные на рис. 8.17. Параметры центров ( ) и крутизны ( ) настроенных функций принадлежности сведены в табл. 8.18. Веса нечетких правил, полученные после настройки, приведены в правой части табл. 8.17.
Таблица 8.18.
Параметры функций принадлежности после настройки
Терм |
|
|
Терм |
|
|
Терм |
|
|
|
0.90 |
0.97 |
|
21.36 |
24.33 |
|
64.48 |
28.92 |
|
2.50 |
0.40 |
|
57.15 |
38.68 |
|
85.92 |
20.31 |
|
4.63 |
0.59 |
|
90.21 |
26.55 |
|
10.40 |
14.74 |
|
6.23 |
0.42 |
|
0.14 |
0.04 |
|
10.40 |
30.06 |
|
8.58 |
0.75 |
|
0.20 |
0.04 |
|
14.07 |
42.26 |
|
24.88 |
41.76 |
|
0.32 |
0.07 |
|
64.65 |
5.82 |
|
98.93 |
41.95 |
|
0.10 |
38.98 |
|
119.99 |
13.48 |
Таблица 8.19.
Сравнение решений
Факторы |
Коэффициент сцепления |
|||||||
|
|
|
|
|
|
Табличный |
1) |
2) |
6,15 |
100 |
62 |
0,2 |
15 |
20 |
0.45 - 0.55 |
0,55 |
0,54 |
4,45 |
100 |
65 |
0,2 |
15 |
60 |
0.25 - 0.4 |
0,33 |
0,35 |
4,7 |
100 |
65 |
0,18 |
20 |
40 |
0.30 - 0.45 |
0,39 |
0,39 |
3,4 |
90 |
45 |
0,17 |
95 |
120 |
0.22 - 0.40 |
0,26 |
0,26 |
3,7 |
64 |
95 |
0,25 |
45 |
72 |
0.20 - 0.40 |
0,28 |
0,29 |
3,9 |
84 |
81 |
0,27 |
67 |
65 |
0.25 - 0.45 |
0,32 |
0,31 |
8,1 |
67 |
72 |
0,25 |
20 |
58 |
0.60 - 0.70 |
0,68 |
0,68 |
3,4 |
65 |
80 |
0,14 |
15 |
15 |
0.25 - 0.40 |
0,27 |
0,28 |
3,6 |
40 |
75 |
0,18 |
20 |
45 |
0.30 - 0.45 |
0,34 |
0,31 |
3,9 |
100 |
35 |
0,29 |
45 |
110 |
0.20 - 0.40 |
0,29 |
0,29 |
7,4 |
35 |
70 |
0,19 |
60 |
90 |
0.60 - 0.70 |
0,62 |
0,62 |
5,3 |
30 |
5 |
0,26 |
90 |
35 |
0.40 - 0.50 |
0,45 |
0,45 |
8,6 |
100 |
60 |
0,2 |
15 |
20 |
0.70 - 0.80 |
0,76 |
0,75 |
6,15 |
100 |
62 |
0,2 |
15 |
40 |
0.45 - 0.55 |
0,52 |
0,52 |
6,3 |
100 |
65 |
0,18 |
20 |
20 |
0.50 - 0.60 |
0,56 |
0,54 |
4,7 |
100 |
65 |
0,18 |
20 |
60 |
0.30 - 0.45 |
0,36 |
0,38 |
4,8 |
15 |
55 |
0,21 |
62 |
32 |
0.40 - 0.50 |
0,42 |
0,41 |
5 |
37 |
15 |
0,18 |
17 |
25 |
0.40 - 0.50 |
0,44 |
0,42 |
6,8 |
70 |
28 |
0,16 |
90 |
52 |
0.50 - 0.70 |
0,55 |
0,54 |
7,3 |
41 |
37 |
0,2 |
50 |
65 |
0.60 - 0.70 |
0,62 |
0,62 |
6,7 |
80 |
55 |
0,12 |
56 |
62 |
0.50 - 0.60 |
0,52 |
0,54 |
4,8 |
100 |
20 |
0,23 |
10 |
80 |
0.35 - 0.50 |
0,39 |
0,38 |
3,3 |
50 |
90 |
0,3 |
50 |
85 |
0.25 - 0.40 |
0,24 |
0,24 |
2,1 |
20 |
55 |
0,23 |
70 |
40 |
0.15 - 0.20 |
0,16 |
0,15 |
8,6 |
100 |
60 |
0,2 |
15 |
40 |
0.70 - 0.80 |
0,74 |
0,74 |
6,15 |
100 |
62 |
0,2 |
15 |
60 |
0.45 - 0.55 |
0,48 |
0,51 |
6,3 |
100 |
65 |
0,18 |
20 |
40 |
0.50 - 0.60 |
0,53 |
0,52 |
7,2 |
70 |
70 |
0,19 |
15 |
60 |
0.60 - 0.70 |
0,63 |
0,62 |
1,7 |
35 |
30 |
0,16 |
74 |
34 |
0.10 - 0.20 |
0,16 |
0,15 |
1,3 |
72 |
35 |
0,15 |
70 |
33 |
0.08 - 0.15 |
0,12 |
0,13 |
2,25 |
62 |
21 |
0,31 |
85 |
64 |
0.20 - 0.25 |
0,17 |
0,18 |
4,5 |
32 |
75 |
0,19 |
90 |
80 |
0.35 - 0.50 |
0,35 |
0,36 |
7,5 |
75 |
25 |
0,18 |
71 |
67 |
0.60 - 0.70 |
0,64 |
0,63 |
2,6 |
65 |
50 |
0,16 |
60 |
55 |
0.20 - 0.30 |
0,22 |
0,20 |
5 |
70 |
20 |
0,17 |
100 |
25 |
0.40 - 0.50 |
0,39 |
0,40 |
0,7 |
100 |
75 |
0,18 |
20 |
10 |
0.05 - 0.10 |
0,06 |
0,06 |
8,6 |
100 |
60 |
0,2 |
15 |
60 |
0.70 - 0.80 |
0,70 |
0,70 |
4,45 |
100 |
65 |
0,2 |
15 |
20 |
0.25 - 0.40 |
0,40 |
0,38 |
6,3 |
100 |
65 |
0,18 |
20 |
60 |
0.50 - 0.60 |
0,51 |
0,52 |
5,6 |
100 |
75 |
0,2 |
25 |
100 |
0.45 - 0.55 |
0,46 |
0,44 |
2,9 |
48 |
25 |
0,24 |
51 |
68 |
0.20 - 0.40 |
0,22 |
0,21 |
2,85 |
56 |
75 |
0,29 |
40 |
40 |
0.20 - 0.30 |
0,20 |
0,22 |
5,5 |
53 |
98 |
0,18 |
100 |
35 |
0.40 - 0.50 |
0,42 |
0,43 |
5,2 |
78 |
20 |
0,17 |
38 |
129 |
0.40 - 0.55 |
0,41 |
0,41 |
8,2 |
15 |
10 |
0,2 |
100 |
115 |
0.70 - 0.80 |
0,67 |
0,66 |
8,3 |
100 |
30 |
0,17 |
80 |
40 |
0.70 - 0.80 |
0,71 |
0,71 |
4,3 |
90 |
10 |
0,13 |
10 |
120 |
0.35 - 0.40 |
0,33 |
0,33 |
8,6 |
100 |
62 |
0,2 |
15 |
80 |
0.70 - 0.80 |
0,67 |
0,68 |
4,45 |
100 |
65 |
0,2 |
15 |
40 |
0.25 - 0.40 |
0,36 |
0,38 |
1) Экспериментальный
2) По предложенной модели
Сравнение модельных и экспериментальных результатов оценки коэффициента сцепления (табл. 8.19), свидетельствует об удовлетворительной для практики адекватности полученной модели.
