Проектирование робастных нечетких регуляторов в условиях неопределенности исходной информации

• Автор: Тятюшкина, Ольга Юрьевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Дубна
• Количество страниц: 154 с. : ил.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ

ПРОЕКТИРОВАНИЯ РОБАСТНЫХ НЕЧЕТКИХ

РЕГУЛЯТОРОВ НА ОСНОВЕ МЯГКИХ ВЫЧИСЛЕНИЙ.

1.1. Интеллектуальное управление сложными динамическими системами на основе мягких вычислений

1.2. Особенности технологии проектирования структур робастных ИСУ.

1.3. Поколения и эволюция типовых структур ИСУ.

Выводы по главе

ГЛАВА 2. МЕТОД УЧЕТА ИНФОРМАЦИОННОЙ ОЦЕНКИ ПРИРАЩЕНИЯ РИСКА В ПРОДУКЦИОННЫХ ПРАВИЛАХ БЗ НР.
2.1. Информационные оценки для приращения среднего риска при изменении законов распределения вероятностей.

2.2. Оценки для приращения байесовского риска

2.3. Информационные оценки устойчивости последовательного решающего правила при изменении законов распределений вероятностей.
2.4. Информационные оценки для риска в задачах обработки больших массивов информации
2.5. Описание приращения информационного риска в терминах
лингвистических переменных.
Выводы по главе
ГЛАВА 3. МЕХАНИЗМ ПРОЕКТИРОВАНИЯ РОБАСТНЫХ НЕЧЕТКИХ РЕГУЛЯТОРОВ, СПОСОБНЫХ ФУНКЦИОНИРОВАТЬ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ ИСХОДНОЙ ИНФОРМАЦИИ
3.1. Структура ОБЗ и шаги оптимизации БЗ.
3.2. Программный инструментарий моделирования баз знаний.
3.3. Пример применения ИТП ИСУ на мягких вычислениях с использованием инструментария ОБЗ
3.3.1. Глобально неустойчивый объект управления динамическая система шарик доска .
3.3.1.1. Исследование свободного движения ОУ
3.3.1.2. Стохастическое моделирование движения ОУ.
3.3.2. Исследование классического ПИД управления в различных условиях
3.3.3. Проектирование интеллектуального управления.
3.3.4. Исследование робастности построенных баз знаний
и сравнение с ПИД управлением
Выводы по главе
ГЛАВА 4. ПРИМЕНЕНИЕ МЕХАНИЗМА ПРОЕКТИРОВАНИЯ НЕЧЕТКИХ РЕГУЛЯТОРОВ НА ОСНОВЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ РОБАСТНЫХ БЗ С УЧЕТОМ ОЦЕНКИ ПРИРАЩЕНИЯ ИНФОРМАЦИОННОГО РИСКА
4.1. Этапы информационной технологии проектирования ИТП ИСУ
4.1.1. Извлечение, обработка и формирование объективных знаний на основе технологий мягких вычислений
и стохастического моделирования
4.1.2. Аппроксимация обучающего сигнала с помощью ОБЗ.
4.1.2.1. ГА алгоритм генерации лингвистических переменных при построении баз знаний нечетких систем.
4.1.2.2. ГА2 и ГАз алгоритмы для оптимизации БЗ
4.2. Пример интеллектуального управления системой железнодорожного транспорта ЖДТ на основе мягких вычислений
4.2.1. Особенности управления системой ЖДТ
4.2.2. Интеллектуальное управление рисками и безопасность движения ЖДТ в условиях риска и нештатных ситуаций.
4.2.3. Иерархическая ИСУ ЖДТ принятия решения в нештатных ситуациях с учетом неопределенности исходной информации
Выводы по главе.
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Методические рекомендации и выводы диссертации использованы в учебном процессе кафедры Системного анализа и управления Института системного анализа и управления университета Дубна в курсах Основы теории управления, Теория управления, Компьютерные технологии анализа динамических систем, Интеллектуальные информационные технологии, Проектирование робастных ИСУ для специалистов и бакалавров по направлениям Информатика и вычислительная техника, Прикладная информатика, Конструирование и технология электронных средств. Диссертация основана на теоретических, методических и экспериментальных исследованиях, выполненных автором в гг. Основные методические и технологические результаты получены непосредственно автором. По результатам выполненных исследований опубликовано печатных работ, в том числе одна статья в журнале из перечня ВАК Министерства образования и науки РФ. Автором обоснованы основные методические решения, обеспечивающие применение технологии проектирования робастных нечетких регуляторов с учетом оценки приращения информационного риска. Непосредственно автором разработаны механизм извлечения, обработки и формирования продукционных правил робастных баз знаний с учетом оценки приращения информационного риска инструментарий проектирования БЗ для задач интеллектуального управления и программная поддержка функционирования робастной базы знаний. Работа состоит из введения, четырх глав, заключения и списка литературы. Работа изложена на 3 страницах, включает рисунка и 2 таблицы. Список литературы содержит 7 наименований. Глава 1. Инженерные методы теории управления и технологии проектирования систем автоматического управления САУ были созданы и сформированы в прошлом столетии. Большой вклад в становление данного направления внесли научные школы Б. Н. Петрова, С. В. Емельянова, Красовского и мн. Создание классической теории автоматического управления позволило автоматизировать широкий класс технических систем в промышленности, на транспорте, в сельском хозяйстве и т. Особенностями этих технических технологических систем, как объектов управления, являются определенная детерминированность, линейность, реализуемость, стационарность, относительная простота, достаточная изученность характеристик, возможность построения регулярных математических моделей. Для синтеза систем управления этими техническими объектами классическая теория автоматического управления использует структурное математическое моделирование и формализованные методы, разработанные на основе теорий дифференциальных уравнений и оптимального управления, операционного исчисления, гармонического анализа , , , , . Исследования по созданию автоматических систем для управления более широким классом технических объектов, обладающих одним или несколькими такими свойствами, как нелинейность, распределенность координат, недетерминированность, нестационарность способствовали формированию современной теории управления , , , , . Попытки создания систем управления объектами с неопределенностями , которые не могут быть описаны статистически, а также сложными нелинейными дискретными техническими объектами и т. ЛПР, привели к идее использования методов искусственного интеллекта , , . Работы в данном направлении составляют основу новейшей теории управления. Наибольших успехов при синтезе управления подобными техническими объектами добились при использовании аппарата искусственных нейронных сетей , нечеткой логики I, 6, ,, , , , , 6, 7, эволюционных генетических алгоритмов 7, . Работа ЛПР в современных технических системах характеризуется существенным возрастанием масштабов производства и соответственно сложности задач контроля и управления , 0, 6. Поэтому поддержка принятия решения на основе методов искусственного интеллекта позволяет уменьшить последствия таких отрицательных явлений, связанных с человеческим фактором, как снижение надежности, качества управления в реальном времени, точности изза плохого прогноза, а также медленное освоение новых управляющих функций и др. Однако эти методы слабо приспособлены для применения в автоматизированных системах управления АСУ реального времени, а также требуют непрерывного или периодического извлечения знаний из ЛПР для управления нестационарными техническими системами. Нечеткие множества и нечеткая логика, которые возникли благодаря Л.