Бобырь Максим Владимирович, доктор технических наук, профессор кафедры вычислительной техники
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: G-2604-2013
Maxim V. Bobyr, Dr. of Sci. (Engineering), Professor of the Computer Engineering Department
50 Let Oktyabrya str. 94, Kursk 305040
Researcher ID: G-2604-2013
Бондаренко Богдан Андреевич, аспирант
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: HGV-0751-2022
Bogdan A. Bondarenko, Post-Graduate Student
50 Let Oktyabrya str. 94, Kursk 305040
Researcher ID: HGV-0751-2022
Алтухов Александр Юрьевич, кандидат технических наук, доцент, заведующий кафедрой технологии материалов и транспорта
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: N-4597-2016
Alexander Yu. Altukhov, Cand. of Sci. (Engineering), Associate Professor, Head of the Materials and Transport Technology Department
50 Let Oktyabrya str. 94, Kursk 305040
Researcher ID: N- 4597-2016
Цель исследования. Предложенный в данной работе метод нацелен на повышение быстродействия и точности вычислительного процесса обучения нечетко-логической системы. В качестве предмета исследования использовались разработанные параметризированные функции принадлежности. Показателем эффективности выступало влияние изменения меток входных функций принадлежности, созданных традиционным методом и с помощью параметризированных функций принадлежности, на выходную характеристику.
Методы. Разработан и реализован метод построения параметрических функций принадлежности и использующиеся в процессе фаззификации нечетко-логического вывода. Помимо фаззификации, в системе реализованы процесс композиции нечетких правил и дефаззификация. В процессе фаззификации использовались треугольные функции принадлежности. В качестве композиционного правила использовались 6 активированных степеней принадлежности, объединенных на основе композиционного правила Заде в 5 заключений нечетко-логического вывода. На этапе дефаззификации использовался упрощенный метод центра тяжести. Объектом исследования выступал нечетко-логический вывод, использующий традиционные и параметризированные функции принадлежности, синтезируемые на этапе фаззификации.
Результаты. Получена математическая модель нечеткого вывода с реализованными параметризированными функциями принадлежности на этапе фаззификации. На основе эксперимента сделан вывод, что предложенная модель имеет более гладкую результирующую поверхность при изменении одного параметра входной функции принадлежности. При этом обеспечивается условие разбиения единицы.
Заключение. Разработана нечетко-логическая MISO-система на основе алгоритма Мамдани, использующая параметризированные функции принадлежности на этапе фаззификации, которая реализована в среде моделирования Simulink. Построены кривые значений результатов расчета нечет-кого логического вывода для трех наборов функций принадлежности входных переменных. Проведено сравнение с традиционными методами формирования. Отмечены преимущества и недостатки описанных методов.
Purpose of research. The method proposed in this work is aimed at increasing the speed and accuracy of the computational process of training a fuzzy logic system. The developed parameterized membership functions were used as the subject of the study. The effectiveness indicator was the impact of changing the labels of input membership functions, created by the traditional method and using parameterized membership functions, on the output characteristic.
Methods. A method has been developed and implemented for constructing parametric membership functions that are used in the process of fuzzy logic inference fuzzification. In addition to fuzzification, the system implements fuzzy inference and defuzzification. Triangular membership functions were used in the fuzzification process. As a compositional rule, 6 activated degrees of membership were used, combined on the basis of Zadeh’s compositional rule into 5 conclusions of fuzzy logical inference. At the defuzzification stage, a simplified center of gravity method was used. The object of the study was fuzzy logical inference using traditional and parameterized membership functions synthesized at the fuzzification stage.
Results. A mathematical model of fuzzy inference with implemented parameterized membership functions at the fuzzification stage is obtained. Based on the experiment, it was concluded that the proposed model has a smoother resulting surface when one parameter of the input membership function changes. In this case, the condition for the division of unity is ensured.
Conclusion. A mathematical model of fuzzy inference with implemented parameterized membership functions at the fuzzification stage is obtained. Based on the experiment, it was concluded that the proposed model has a smoother resulting surface when one parameter of the input membership function changes. In this case, the condition for the division of unity is ensured.
The authors declare that there are no conflicts of interest present.