Алгоритм настройки системы нечёткого логического вывода типа Мамдани

Abstract

Предложен алгоритм настройки систем типа Мамдани, использующий для подстройки правил нечёткого логического вывода принцип пропорционально-интегрального регулятора с ограниченной интегральной составляющей. Для уменьшения времени подстройки по сравнению с пропорциональным регулятором и уменьшения величины перерегулирования, по сравнению с пропорционально-интегральным регулятором с теми же значениями коэффициентов интегральной и пропорциональной составляющих, используется ограничение интегральной составляющей. Достоинство разработанного алгоритма заключается в возможности осуществления локальной подстройки без полного набора данных области определения входных переменных и соответствующих им значений отклика системы. В качестве приоритетного направления дальнейших исследований рассматривается адаптация применения алгоритмов для функций принадлежности других (отличных от гауссовых) типов. Эффективность алгоритма подтверждена результатами его сопоставления с алгоритмами подстройки систем нечёткого логического вывода на основе нечётких нейронных сетей и нечёткой кластеризации при решении идентичных задач. An algorithm to adjust the Mamdani-type systems is given; it uses the principle of a proportionalintegral controller with a limited integral component to adjust fuzzy inference rules. To reduce the adjustment time in comparison with proportional controller and to reduce the overshoot amount in comparison with the proportional-integral controller with the same values of the coefficients of the integral and proportional components, the integral component limitation is used. The advantage of the developed algorithm is in the possibility of performing a local adjustment without a complete set of data for the domain of definition of input variables and the corresponding response values of the system. As a priority area for further research adaption of the application of the algorithms to the membership functions of other types (non-Gaussian) is considered. The efficiency of the algorithm is confirmed by the results of its comparison with algorithms of fuzzy inference system adjustment based on fuzzy neural networks and fuzzy clustering in solving identical problems.