Исследование устойчивости нейро-нечёткой системы вывода, основанной на методе отношения площадей

Цель исследования: исследование гипотезы о возможности изменения вида переходного процесса во время обучения нейро-нечёткой системы вывода, основанной на методе соотношения площадей, и изучения свойств влияния весового коэффициента на её устойчивость.
Методы. Для разработки нейро-нечёткой системы вывода в статье используется аппарат нечёткой логики. При этом входные и выходные переменные описываются треугольными функциями принадлежности, в композиционном правиле использовалась модель импликации Мамдани. При дефаззификации применялась линейная модель отношения площадей. Во время обучения использовался метод обратного распространения ошибки.
Результаты. В ходе экспериментальных исследований было установлено, что предложенная нейро-нечёткая модель, основанная на методе отношения площадей, позволяет изменять вид переходного процесса, а именно преобразовать колебательный процесс в апериодический (монотонный) процесс. Также в ходе экспериментальных исследований было установлено, что на устойчивость нейро-нечёткой системы вывода в большей степени влияет весовой коэффициент, определяемый при расчете общей площади выходных функций принадлежности. Таким образом, полученные результаты доказывают: во-первых, что предложенная нейро-нечёткая система вывода обеспечивает трансформацию передаточных характеристик, а во-вторых, обеспечивает её устойчивость в заданном диапазоне характеристик весового коэффициента.
Заключение. В статье представлена архитектура адаптивной нейро-нечёткой системы вывода, основанной на линейном методе отношения площадей. Отличительной особенностью предлагаемой архитектуры является использование на входах и выходе нечёткой системы треугольных функций принадлежности. Анализ имитационного процесса её обучения показал, что при обучении с целью обеспечения устойчивости необходимо устанавливать допустимые значения весового коэффициента, численные значения которого, в свою очередь, влияют на трансформацию передаточных характеристик нейро-нечёткой системы вывода. 

1. Shahmoradi S., Shouraki S.B. Evaluation of a novel fuzzy sequential pattern recognition tool (fuzzy elastic matching machine) and its applications in speech and handwriting recognition // Applied Soft Computing. 2018. N62. P. 315-327.

2. Титов В.С., Бобырь М.В., Анциферов А.В. Адаптивный мультисетевой алгоритм нечетко-логического вывода в задачах управления оборудованием с ЧПУ // Мехатроника, автоматизация, управление. 2013. № 5. С. 18-23.

3. Hodgett R.E., Siraj S. SURE: A method for decision-making under uncertainty // Expert Systems with Applications. 2019. N 115. P. 684-694.

4. Temur G.T. A novel multi attribute decision making approach for location decision under high uncertainty // Applied Soft Computing. 2016. N 40. P. 674-682.

5. Бобырь М.В., Титов В.С., Акульшин Г.Ю. Моделирование нечетко-логических систем управления на основе мягких арифметических операций // Вестник компьютерных и информационных технологий. 2013. № 3 (105). С. 29-35.

6. Annabestani, M., Naghavi, N. Nonlinear identification of IPMC actuators based on ANFIS-NARX paradigm // Sensors and Actuators, A: Physical. 2014. N209. P. 140–148.

7. A. Piegat Fuzzy Modelling and Control. Physica-Verlag, Heidelberg. 2001.

8. Modeling of simultaneous adsorption of dye and metal ion by sawdust from aqueous solution using of ANN and ANFIS / M. Dolatabadi, M. Mehrabpour, M. Esfandyari, H. Alidadi, M. Davoudi // Chemometrics and Intelligent Laboratory Systems. 2018. N 181. P. 72-78.

9. Бобырь М.В., Милостная Н.А. Механизм адаптации нечеткой системы вывода на основе генетического алгоритма // Промышленные АСУ и контроллеры. 2015. № 3. С. 27-32.

10. Rezakazemi M., Dashti A., Asghari M., Shirazian S. H2-selective mixed matrix membranes modeling using ANFIS, PSO-ANFIS, GA-ANFIS // International Journal of Hydrogen Energy. 2017. N42. P. 15211-15225.

11. Mottahedi A., Sereshki F., Ataei M. Overbreak prediction in underground excavations using hybrid ANFIS-PSO model // Bioresource Technology. 2018. N267. P. 634-641.

12. Karaboga D., Kaya E. An adaptive and hybrid artificial bee colony algorithm (ABC) for ANFIS training // Applied Soft Computing. 2016. N49. P. 423-436.

13. Haznedar B., Kalinli A. Training ANFIS structure using simulated annealing algorithm for dynamic systems identification // Neurocomputing. 2018. N 302. P. 66-74.

14. Boulkaibet I., Belarbi K., Bououden S., Chadli M., Marwala T. An adaptive fuzzy predictive control of nonlinear processes based on Multi-Kernel least squares support vector regression // Applied Soft Computing. 2018. N 73. P. 572-590.

15. An ANFIS model of quality of experience prediction in education / T. VasilevaStojanovska, M. Vasileva, T. Malinovski, V. Trajkovik // Applied Soft Computing. 2015. N 34. P. 129-138.

16. Vemuri N.R. Mutually exchangeable fuzzy implications // Information Sciences. 2015. N317. P. 1-24.

17. Laha A. Building contextual classifiers by integrating fuzzy rule based classification technique and k-nn method for credit scoring // Adv. Eng. Inf., 2007. N21. P. 281-291.

18. Casale G., Pérez J.F., Wang W. QD-AMVA: Evaluating systems with queuedependent service requirements // Perform. Eval. 2015. N 91. P. 80-98.

19. Bobyr M.V., Milostnaya N.A., Kulabuhov S.A. A method of defuzzification based on the approach of areas ratio // Applied Soft Computing. 2017. N59. P. 19-32.

20. Бобырь М.В., Милостная Н.А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2015. № 7 (133). С. 7-15.

21. Bobyr M.V., Emelyanov S.G. A nonlinear method of learning neuro-fuzzy models for dynamic control systems // Applied Soft Computing. 2020. Т. 88. P. 106030.

22. Bobyr M.V., Yakushev A.S., Dorodnykh A.A. Fuzzy devices for cooling the cutting tool of the cnc machine implemented on FPGA // Measurement. 2020. Т. 152. P. 107378.

23. Титов В.С., Бобырь М.В., Анциферов А.В. Адаптивный мультисетевой алгоритм нечетко-логического вывода в задачах управления оборудованием С ЧПУ // Мехатроника, автоматизация, управление. 2013. № 5. С. 18-23.

24. Бобырь М.В. Методы построения функций принадлежностей для нечетких баз знаний // Промышленные АСУ и контроллеры. 2011. № 2. С. 27-32.