ИССЛЕДОВАНИЕ СВОЙСТВ МЯГКОГО АЛГОРИТМА НЕЧЕТКО-ЛОГИЧЕСКОГО ВЫВОДА
Аннотация
В статье предложен новый подход принятия решений, основанный на использовании мягких арифметических операций в структуре нечеткой системы вывода. Необходимость разработки данного метода обоснована отсутствием информационных признаков при дефаззификации в традиционных системах нечетко-логического вывода, которые используют жесткие операторы нахождения минимума и максимума. Данное обстоятельство существенно увеличивает параметр среднеквадратического отклонения (RMSE) в традиционных нечетких системах вывода. Поэтому в качестве критерия оценки разработанного мягкого алгоритма нечетко-логического вывода в статье использовался RMSE, наилучшее решение достигается при его минимальном значении. В качестве сравнительной оценки приведены результаты, полученные при моделировании процесса принятия решений, основанные как на множественной регрессии, так и моделях нечетко-логического вывода. С целью повышения достоверности полученных результатов численное моделирование работы мягкого алгоритма нечетко-логического вывода было проведено для треугольных и сигмодальных функций принадлежности. Приведенное численное моделирование показывает эффективность предложенного подхода, причем минимизация параметра RMSE достигается без использования адаптивных нейро-нечетких систем вывода. Экспериментальные исследования управления скоростью резания на станке с ЧПУ с помощью нечеткой логики показали, что стабильность нечеткой системы увеличивается при использовании в структуре нечетко-логического вывода мягких арифметических операций.
Об авторах
М. В. Бобырь
ФГБОУ ВО «Юго-Западный государственный университет»
Россия
Россия
А. А. Нассер
Амранский универститет
Россия
Россия
М. А. Абдулджаббар
ФГБОУ ВО «Юго-Западный государственный университет»
Россия
Россия
Список литературы
1. Kh Mahfuz ud Darain, Mohd Zamin Jumaat, Md. Altab Hossain, Md. Akter Hosen, M. Obaydullah, Md. Nazmul Huda, I. Hossain Automated serviceability prediction of NSM strengthened structure using a fuzzy logic expert system // Expert Systems with Applications. - January 2015. - Volume 42, Issue 1. Р. 691-697.
2. Титов В.С., Бобырь М.В., Милостная Н.А. Особенности оценки точности измерений размеров при использовании высокоточных автоматизированных систем // Промышленные АСУ и контроллеры. - 2005. - № 6. - С. 17-19.
3. Бобырь М.В. Диагностика оборудования с ЧПУ методами нечеткой логики // Промышленные АСУ и контроллеры. - 2010. - № 1. - С. 18-20.
4. M. Brown, K.M. Bossley, D.J. Mills, C.J. Harris, High dimensional neurofuzzy systems: overcoming the curse of dimensionality, Proc. IEEE Internat. Conf., 1995. - P. 2139-2146.
5. Ming-Ling Lee, Hung-Yuan Chung∗, Fang-Ming Yu Modeling ofhierarchical fuzzy systems // Fuzzy Sets and Systems. - 2003. - № 138. -Р. 343-361.
6. Титов В.С., Бобырь М.В., Милостная Н.А. АСУ прогнозированием точности обработки деталей // Автоматизация в промышленности. - 2008. - № 4. - С. 3-4.
7. Оценка достоверности при моделировании нечетко-логических систем / М.В. Бобырь, В.С. Титов, Н.А. Милостная, П.В. Глобин // Промышленные АСУ и контроллеры. - 2012. - № 7. - С. 32-38.
8. Piegat A. Fuzzy modelling and control. Physica-Verlag. - Heidelberg, 2001. - P.742.
9. S. Muzzioli B. De Baets A comparative assessment of different fuzzy regression methods for volatility forecasting // Fuzzy Optimization and Decision Making. - December 2013. - Volume 12, Issue 4. - Р. 433-450.
10. Karakus M., Tutmez B. Fuzzy and multiple regression modelling for evaluation of intact rock strength based on point load, schmidt hammer and sonic velocity // Rock mechanics and rock engineering. - 2006. - Vol.39, №1. - Р. 45-57.
11. Saeidi O., Torabi S.R., Ataei M. Prediction of the rock mass diggability index by using fuzzy clustering-based, ANN and multiple regression methods // Rock mechanics and rock engineering. - 2014. - Vol.47, №2. - Р. 717-732.
12. Zadeh L. Fuzzy sets as a basis for a theory of possibility // Fuzzy Sets and Systems. - 1978. - № 1. Р. 3-28.
13. Бобырь М.В., Титов В.С., Беломестная А.Л. Стабилизация теплового режима в процессе резания // Мехатроника, автоматизация, управление. - 2010. - № 6. - С. 38-41.
14. Емельянов С.Г., Титов В.С., Бобырь М.В. Интеллектуальные системы на основе нечеткой логики и мягких арифметических операций. - М.:АРГАМАК-МЕДИА, 2014. - 341 с.
15. Титов В.С., Бобырь М.В., Кулабухов С.А. Нечетко-логическая система управления стабилизацией процесса резания деталей // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2013. - № 3. - С. 54-58.
16. Бобырь М.В., Кулабухов С.А., Титов Д.В. Оценка влияния числа обучаемых точек на аддитивность нечетких систем // Промышленные АСУ и контроллеры. - 2014. - № 10. - С. 30-35.
17. Бобырь М.В., Емельянов С.Г., Милостная Н.А. О некоторых свойствах моделирования адаптивных нейро-нечетких систем на основе упрощенного нечетко-логического вывода // Информационно-измерительные и управляющие системы. - 2014. - Т. 12. - № 5. - С. 4-12.
18. Бобырь М.В. Влияние числа правил на обучение нечетко-логической системы // Вестник компьютерных и информационных технологий. - 2014. - № 11 (125). - С. 28-35.
19. Бобырь М.В. Адаптация системы управления мобильным роботом на основе нечеткой логики // Мехатроника, автоматизация, управление. - 2015. - Т. 16. - № 7. - С. 449-455.
20. Бобырь М.В., Милостная Н.А. Нечеткая модель интеллектуальной системы управления мобильным роботом // Проблемы машиностроения и автоматизации. - 2015. - № 3. - С. 57-67.
21. Бобырь М.В., Милостная Н.А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. - 2015. - № 7. - С. 7-15.
22. S. Palani, U. Natarajan, M. Chellamalai On-line prediction of micro-turning multi-response variables by machine vision system using adaptive neuro-fuzzy inference system (ANFIS) // Machine Vision and Applications. - January 2013. - Volume 24, Issue 1. - Р. 19-32.
23. Nihal Erginel Modeling and analysis of packing properties through a fuzzy inference system // Journal of Intelligent Manufacturing. - December 2010. - Volume 21, Issue 6. - P. 869-874.
24. Бобырь М.В. Способ и устройство управления скоростью резания на токарном оборудовании с ЧПУ / Пат. РФ. № 2465115. Изобретения № 6, кл. B23Q 15/00. 2012. Бюл. №23.
25. Бобырь М.В., Титов В.С., Яхонтова Е.С. Способ и устройство управления точностью обработки деталей // Пат. РФ. № 2379169. Изобретения № 2, кл. B23Q15/02. 2010. Бюл. №2.
26. Бобырь М.В. Влияние количества правил на обучение нечетко-логической системы // Вестник компьютерных и информационных технологий. - 2014. - № 11. (125). - С. 28-35.
27. Bobyr M.V., Titov V.S., Nasser A.A. Automation of the cutting-speed control process based on soft fuzzy logic computing // Journal of Machinery Manufacture and Reliability. - 2015. - Volume 44, Issue 7. - Р. 633-641.
Рецензия
Для цитирования:
Бобырь М.В., Нассер А.А., Абдулджаббар М.А. ИССЛЕДОВАНИЕ СВОЙСТВ МЯГКОГО АЛГОРИТМА НЕЧЕТКО-ЛОГИЧЕСКОГО ВЫВОДА. Известия Юго-Западного государственного университета. 2016;(1):31-49.
For citation:
Bobyr M.V., Nasser A.A., Abduljabbar M.A. INVESTIGATION OF THE PROPERTIES OF SOFT ALGORITHM FUZZY INFERENCE. Proceedings of the Southwest State University. 2016;(1):31-49. (In Russ.)
Просмотров: 309
Связаться с автором 
Оставить комментарий 
