Структуры гибридных систем

Рассмотрим структуры гибридных систем (ГС), решающих задачу управления, выделим особенности архитектуры и алгоритмов обучения для каждого конкретного типа ГС.

NNFLC — нечеткий контроллер на основе НС (Neurons network fuzzy logic controller). Структура NNFLC приведена на рис. 9.2. Структура NNFLC – это многослойная сеть прямого распространения сигнала, причем различные слои выполняют разные функции. Опишем кратко функции слоев.

Слой 1 представляет функции принадлежности, реализованные как радиальные базисные нейроны.

Слой 2 моделирует И - условия правил.

Слой 3.

Слой 3 представляет собой ИЛИ - комбинацию правил со знаковыми термами в консеквентах и выполняет разные функции в рабочем режиме и в режиме обучения. В режиме обучения слой настраивает параметры функций принадлежности выходных переменных. В рабочем режиме формирует назначение выхода.

Рисунок 9.2 – Структура NNFLC.

Структура ННС NNFLC инициализируется по принципу формирования полной матрицы правил. Если — входные переменные, — количество нечетких меток (разбиений) , то исходное количество правил:

Обучение ННС сложной архитектуры (с различными функциональными слоями) обычно происходит многоэтапно, причем на каждом этапе используются различные алгоритмы обучения: предобучение (offline), оперативное (online), поз учителя, с учителем.

Общая схема обучения ННС NNFLС содержит следующие этапы:

• формирование обучающих данных;

• самоорганизующаяся кластеризация (настройка функций принадлежности);

• соревновательное обучение (алгоритм победителя);

• удаление правил;

• комбинирование правил;

• окончательная настройка параметров (тюнинг) функций принадлежности с помощью алгоритма обратного распространения ошибки.

Приведем содержательные характеристики этапов обучения. Настройка параметров функций принадлежности включает в себя определение центров и ширины для функций принадлежности, представленных функциями формы:

Алгоритм победителя выявляет

где — монотонно убывающий уровень обучения.

Настройка ширины осуществляется эвристически, например по принципу «первого ближайшего соседа»:

где — параметр перекрытия.

Алгоритм победителя ищет матрицу весов , которая оценивает качество связей левой и правой частей правил:

Комбинирование правил часто целесообразно выполнять с участием эксперта. Окончательная настройка функций принадлежности выполняется с помощью алгоритма обратного распространения ошибки для функции ошибки . Цепочка правил распространяет ошибку до слоя 1 с обратным распространением. Таким образом, можно сделать вывод о том, что архитектура NNFLC может быть проинтерпретирована как система нечеткого вывода Такаджи- Суджено.