 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy.

Slides:



Advertisements
Podobne prezentacje
Metody badania stabilności Lapunowa
Advertisements

Obserwowalność System ciągły System dyskretny
System lingwistyczny - wnioskowanie
Systemy stacjonarne i niestacjonarne (Time-invariant and Time-varing systems) Mówimy, że system jest stacjonarny, jeżeli dowolne przesunięcie czasu  dla.
Metody Sztucznej Inteligencji 2012/2013Zastosowania systemów rozmytych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Zastosowania.
Mechanizm wnioskowania rozmytego
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz,
Systemy dynamiczneOdpowiedzi systemów – modele różniczkowe i różnicowe Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Systemy.
Systemy rozmyte Systemami rozmytymi nazywamy systemy (statyczne lub dynamiczne) w których wykorzystujemy zbiory rozmyte i właściwy im aparat matematyczny.
Obserwowalność System ciągły System dyskretny u – wejścia y – wyjścia
Model lingwistyczny – wnioskowanie Mamdani’ego
Model Takagi – Sugeno – Kang’a - TSK
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania.
Systemy dynamiczne – przykłady modeli fenomenologicznych
Stabilność Stabilność to jedna z najważniejszych właściwości systemów dynamicznych W większości przypadków, stabilność jest warunkiem koniecznym praktycznego.
Teoria sterowania 2012/2013Sterowanie – użycie obserwatorów pełnych II Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania 1 Sterowanie.
Metody Lapunowa badania stabilności
Wykład 25 Regulatory dyskretne
Obserwatory zredukowane
Stabilność Stabilność to jedno z najważniejszych pojęć teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym praktycznego zastosowania.
Modelowanie – Analiza – Synteza
Modelowanie – Analiza – Synteza
Rozważaliśmy w dziedzinie czasu zachowanie się w przedziale czasu od t0 do t obiektu dynamicznego opisywanego równaniem różniczkowym Obiekt u(t) y(t) (1a)
Wybrane modele rozmyte i schematy wnioskowania
Modelowanie i Identyfikacja 2011/2012 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Warstwowe.
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Modelowanie i podstawy identyfikacji 2012/2013Modele fenomenologiczne - dyskretyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Systemy/modele rozmyte – podstawy i struktury
Teoria sterowania 2011/2012Stabilno ść Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Stabilność Stabilność to jedno.
Dekompozycja Kalmana systemów niesterowalnych i nieobserwowalnych
Sterowanie – metody alokacji biegunów
Metody sterowania – sterowanie rozmyte
Wnioskowanie w stylu Takagi - Sugeno.
Sterowalność - osiągalność
Modelowanie – Analiza – Synteza
Stabilność Stabilność to jedno z najważniejszych pojęć dynamiki systemów i teorii sterowania W większości przypadków, stabilność jest warunkiem koniecznym.
Sterowanie – metody alokacji biegunów
Modelowanie i identyfikacja 2013/2014 Identyfikacja rekursywna i nieliniowa I 1 Katedra Inżynierii Systemów Sterowania  Kazimierz Duzinkiewicz, dr hab.
Teoria sterowania 2013/2014Sterowanie – obserwatory zredukowane II  Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania 1 Obserwatory.
Do technik tych zalicza się: * sztuczne sieci neuronowe
Modele dyskretne – dyskretna aproksymacja modeli ciągłych lub
Przykład 1: obiekt - czwórnik RC
Przykład 5: obiekt – silnik obcowzbudny prądu stałego
Systemy dynamiczne 2014/2015Obserwowalno ść i odtwarzalno ść  Kazimierz Duzinkiewicz, dr hab. in ż. Katedra In ż ynierii Systemów Sterowania 1 Obserwowalność.
Sterowanie rozmyte i neuronowe I
Dwie podstawowe klasy systemów, jakie interesują nas
Zagadnienia AI wykład 5.
Wnioskowanie Mamdani’ego
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Metody Sztucznej Inteligencji – technologie rozmyte i neuronowe Wnioskowanie Mamdani’ego - rozwinięcia  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii.
Modelowanie i identyfikacja 2014/2015Modele rozmyte  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Systemy rozmyte są modelami.
Metody sztucznej inteligencji – technologie rozmyte i neuronoweReguła propagacji wstecznej  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Podstawy automatyki 2015/2016 Dynamika obiektów - modele 1 Podstawy automatyki.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modelowanie rozmyte – podstawy,
Etapy procesu sterowania rozmytego
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego I © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego II © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Podstawy automatyki I Wykład 3b /2016
Modelowanie i podstawy identyfikacji
Systemy neuronowo – rozmyte
Teoria sterowania Wykład /2016
Podstawy automatyki I Wykład /2016
Sterowanie procesami ciągłymi
Sterowanie procesami ciągłymi
Sterowanie procesami ciągłymi
Metody sztucznej inteligencji
Sterowanie procesami ciągłymi
Zapis prezentacji:

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Systemy rozmyte Takagi - Sugeno System Takagi – Sugeno jako interpolator systemów statycznych System rozmyty Takagi – Sugeno jako interpolator systemów statycznych (przypadek MISO) gdzie, - stopień spełnienia przesłanki reguły dla faktu Wyjście systemu obliczamy

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 2 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Ostre wyjście systemu możemy też zapisać: gdzie, są nazywane rozmytymi funkcjami bazowymi - stopień spełnienia przesłanki reguły dla faktu obliczamy

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 3 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Bardzo często: jest afiniczną funkcją wejść: gdzie, są stałymi Wyjście jest nieliniową funkcją wejść

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 4 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Przykład 1: Rozważmy system TS z dwoma wejściami i jednym wyjściem, dany bazą reguł Rozmyte wartości wielkości wejściowych dane zostały za pomocą następujących funkcji przynależności:

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 5 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Wartości (funkcje przynależności) dla wejścia

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 6 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Dla wybranych wartości ostrych wejść (singletonowa funkcja przynależności) ostre wyjście systemu wyniesie: gdzie, Wybierając jako T-normę operator PROD

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 7 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 8 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Dla jednej wybranej wartości otrzymamy

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 9 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 10 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 11 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 12 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Stąd

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 13 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Dla jednej wybranej wartości otrzymamy też wartości funkcji konkluzji poszczególnych reguł

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 14 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Dla wybranej wartości otrzymamy wyjścia ostrego

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 15 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno y ostre Powierzchnia odpowiedzi rozważanego systemu

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 16 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno System Takagi – Sugeno jako interpolator systemów dynamicznych przestrzeni stanu, liniowych, ciągłych System rozmyty Takagi – Sugeno jako interpolator systemów dynamicznych rzędu n gdzie, - wektor stanu czasu ciągłego

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 17 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Liczba wielkości wyjściowych – stanów - n - stopień spełnienia przesłanki reguły dla faktu Dynamika wielkości wyjściowych systemu dana równaniem różniczkowym lub gdzie, powstały system – nieliniowy, niestacjonarny (zależność A oraz b od x(t))

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 18 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Przykład 2: Rozważmy system TS z dynamiką rzędu drugiego, z jednym wejściem i dwoma zmiennymi stanu opisaną regułami: gdzie,

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 19 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Wartości (funkcje przynależności) dla stanu Efektywna przestrzeń rozważań dla stanu,

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 20 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Wybierając jako T-normę operator PROD, w efektywnej przestrzeni rozważań stopnie spełnienia przesłanek poszczególnych reguł można obliczyć (dla tych zaproponowanych wartości rozmytych zmiennych stanu)

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 21 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 22 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Wybierzmy pewną chwilę t 1, w której oraz

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 23 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 24 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 25 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 26 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Wartości funkcji bazowych dla tych wartości stanu Uwaga: zaleta stosowania podziału do jedności i operatora T-normy PROD

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 27 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno W chwili t 1 dynamika systemu opisana jest równaniem stanu gdzie,

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 28 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Ostatecznie otrzymamy, że w chwili t 1 dynamika systemu opisana jest równaniem stanu Uwaga: Opis dla chwili t 1 – ze zmianą czasu zmienia się A(t) i b(t)

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 29 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Stany Czas, t [s] Wyniki symulacji dynamiki systemu: metoda rozwiązywania Runge-Kutta czwartego rzędu, krok dyskretyzacji – Δt = 0.01 s Wejście:, warunki początkowe:

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 30 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Warto jeszcze poznać: System Takagi – Sugeno jako interpolator systemów dynamicznych przestrzeni stanu, liniowych, dyskretnych System Takagi – Sugeno jako interpolator systemów dynamicznych wejście - wyjście, liniowych, dyskretnych

 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 31 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy Takagi 0- Sugeno Dziękuję – koniec materiału prezentowanego podczas wykładu