Neuro-fuzzy modeling for predictive control systems with complex technological processes and production

  • № 1(91) 2020

Страницы: 

73

 – 

83

Язык: русский

Открыть файл статьи
Открыть страницу статьи в Интернет

Аннотация

Реализована модификация нечеткой нейронной сети, которая подходит для целей прогнозного управления. Предложено осуществлять адаптацию многомерного программируемого контроллера на основе нейронного алгоритма обратного распространения ошибки прогнозирования, а также осуществлять нейронную параметрическую идентификацию нечеткой математической модели сложных технологических процессов и производств на основе экспериментальных данных и экспертных оценок.

Башоратли бошқариш мақсадлари учун мос келадиган норавшан нейрон тўри модификацияси амалга оширилган. Башоратлашнинг хатоларни тескари тарқатиш нейрон алгоритми асосида дастурланувчи кўп ўлчовли контроллерни адаптациясини амалга ошириш таклиф қилинмоқда, шунингдек тажриба маълумотлари ва эскперт баҳолари асосида мураккаб технологик жараёнлар ва ишлаб чиқаришнинг норавшан математик моделини нейрон параметрик идентификациялаш амалга оширилган.

The paper implements a modification of a fuzzy neural network, which is suitable for predictive control purposes. Adaptation of a multidimensional programmable controller based on a neural algorithm for the back propagation of forecasting errors is proposed, as well as neural parametric identification of a fuzzy mathematical model of complex technological processes and production based on experimental data and expert estimates.

Список использованных источников

  1. Clarke D.W., C. Mohtadi and P.S. Tuffs . Generalized Predictive Control. Automatica, Vol. 23, Issue 2, 1987. pp. 137-148.
  2. Velev K. Adaptivni sistemi. Sofiya. 1994.
  3. Terziyska, M., A Distributed Adaptive Neuro-Fuzzy Network for Chaotic Time Series Prediction, Cybernetics and Information Technologies. Vol. 15, Issue 1, Pages 24–33, ISSN (Online) 1314-4081, DOI: 10.1515/cait-2015-0003, March 2015.
  4. L. Doukovska, M. Petrov. Implicit GPC based on Semi Fuzzy Neural Network Model, IEEE Intelligent Systems IS’14, Warsaw, Poland, September 24-26, 2014.
  5. Yamakawa, T., E. Uchino, T. Miki, and H. Kusanagi (1992). A neo fuzzy neuron and its applications to system identification and prediction of the system behavior. In Proc. 2-nd Int. Conf. on Fuzzy Logic and Neural Networks - IIZUKA-92, Japan, pages 477–483.
  6. Terziyska, M., Y. Todorov, L. Doukovska, Neo-fuzzy Network for Modeling of Nonlinear MIMO Dynamics, International Conference TechSys'2015, Plovdiv Bulgaria, Published in Journal of Technical University-Sofia, branch Plovdiv, Bulgaria, “Fundamental Sciences and Applications” Vol. 21, book 1, pp. 65-70, ISSN 1310-8271, 2015.
  7. Aliev R.A., Bonfig K.W., Aliew F.A. Messen. Steuern, Regeln Mit Fuzzy – logik. Munchen: Francis, 1994. - p.
  8. Aliev R.A., Aliev F.A., Babaev M. Fuzzy process control and knowledge engineering in petrochemical and robotic manufacturing. Koln: Verlag TVY Rheinland, 1991. - p.
  9. Lee M., Lee S., Park C. Neuzo-fuzzy identifiers and controllers. Journal of intelligent and fussy system.Vol.2, 1994. - pp.1-4.
  10. Fuzzy sets, neural networks and Soft Computing, Yagez R.R., Zadh L.A. (Eds.), VAN Nostrand Reinhold, New York, 1994. - p.
  11. Berenju H.R., Leazning and tuning fuzzy logic controllers through reinforaments. IEEE Trans on Neural Networks, 3(5), 1992. – pp.724-729.
  12. Lee M., Lee S.Y., Park C.H., Neuro-fuzzy Identification model of nonlinear Dynamic Systems. Proceeding of the 2nd International Conference on Fuzzy Logic and Neural Networks, vol.1, 1992. – pp.485-488.
  13. Lee C.C. Intelligent Control base on fuzzy logic and neural net theory. Proceeding of International Conference on Fuzzy Logic and Neural Networks, vol.2, 1990. – pp.759-764.
  14. Lee M., Lee S.Y., Park S.H. Neuro-fuzzy identifiers and controllers for fuzzy systems. Proceedings of International Conference Fuzzy Systems Association, vol.1, 1993. – pp.77-80.
  15. Mukaidono M., Yamato M.A. Learning method of fuzzy inference rules with neural networks and its application. Proceedings of the International Conference on Fuzzy Logic and Neural Networks, 1992. – pp.185-187.
  16. Rumelhart D., Hinten G. E., Williams R.J. Learning internal Representation by Error Back Propagation. In Parallel Distributed Proceedings, vol.1, Exploration In the Micro Structures of Cognition, Rumelhurt D.E., McClelland (Eds), MIT Press, Cambridge, MA, 1986. – pp.318-362.

Список всех публикаций, цитирующих данную статью