Разработка способов формирования системы правил для нечеткого регулятора. Системы угловой стабилизации КА
Заказать уникальную курсовую работу- 38 38 страниц
- 10 + 10 источников
- Добавлена 23.02.2022
- Содержание
- Часть работы
- Список литературы
- Вопросы/Ответы
Введение 2
Про нечёткую логику 3
Нечёткие множества 3
Функции принадлежности 7
Архитектура нечёткого вывода 11
Основные этапы нечёткого вывода 12
1. Формирование базы правил. 13
2. Фаззификация. 13
3. Агрегирование. 14
4. Активизация. 16
5. Аккумуляция. 16
Формирование базы правил для нечёткого регулятора 18
Настройка модели 22
Заключение 23
Список литературы 24
1. Барский, А.Б. Логические нейронные сети / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2013. - 399 c.
2. Демидова, Л. А. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций в среде Matlab / Л.А. Демидова, В.В. Кираковский, А.Н. Пылькин. - Москва: Мир, 2014. - 368 c.
3. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком; Издание 2-е, стер., 2014. - 382 c.
4. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: [не указано], 2013. - 584 c.
5. Март, М. Нечеткая грань / М. Март. - М.: Белония М ООО, 2015. - 352 c.
6. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. - М.: Горячая линия - Телеком, 2014. - 392 c.
7. Новак, Вилем Математические принципы нечеткой логики: моногр. / Вилем Новак , Ирина Перфильева , Иржи Мочкорж. - Москва: Наука, 2015. - 352 c.
8. Татузов, А. Л. Нейронные сети в задачах радиолокации / А.Л. Татузов. - М.: Радиотехника, 2013. - 432 c.
9. Шибзухов, З. М. Конструктивные методы обучения сигма-пи нейронных сетей / З.М. Шибзухов. - М.: Наука, 2016. - 160 c.
10. Яхъяева, Г.Э. Нечеткие множества и нейронные сети / Г.Э. Яхъяева. - М.: Интернет-университет информационных технологий, 2014. - 320 c.
Вопрос-ответ:
Какие методы используются при разработке способов формирования системы правил для нечеткого регулятора Системы угловой стабилизации КА?
При разработке таких систем применяются методы нечеткой логики, нечеткие множества, а также функции принадлежности.
Какие этапы включает нечеткий вывод?
Нечеткий вывод включает несколько этапов: формирование базы правил, фаззификацию, агрегирование, активизацию и аккумуляцию.
Что включает в себя этап "формирование базы правил" для нечеткого регулятора?
На этом этапе определяются правила, которые будут использоваться в нечетком регуляторе. Это важный шаг, так как именно правила определяют поведение системы.
Что такое фаззификация и агрегирование в контексте нечеткого вывода?
Фаззификация - это процесс преобразования входных данных в нечеткие значения, а агрегирование - суммирование или усреднение нечетких значений для получения выходных данных.
Как происходит аккумуляция на этапе нечеткого вывода?
На этом этапе происходит накопление нечетких значений, полученных на предыдущих этапах, чтобы получить окончательный результат вывода.
Что такое нечеткий регулятор?
Нечеткий регулятор - это система управления, основанная на нечеткой логике, которая позволяет учитывать нечеткость и неопределенность входных данных и принимать решения на основе нечетких правил.
Как формируется система правил для нечеткого регулятора?
Система правил для нечеткого регулятора формируется на основе знаний экспертов в соответствующей области. Эти знания выражаются в виде нечетких правил, которые определяют влияние различных входных переменных на выходной сигнал.
Какие этапы включает процесс нечеткого вывода?
Процесс нечеткого вывода включает следующие этапы: формирование базы правил, фаззификация, аккумуляция, активизация и агрегирование. На каждом из этих этапов происходит обработка входных данных и получение выходного сигнала нечеткого регулятора.
Как настраивается модель нечеткого регулятора?
Модель нечеткого регулятора настраивается путем определения функций принадлежности для входных и выходных переменных, а также настройки весов и параметров нечетких правил. Это позволяет модели адаптироваться к различным условиям и обеспечивать оптимальное управление системой.