НЕЙРО-НЕЧІТКА СИСТЕМА УПРАВЛІННЯ НЕДЕТЕРМІНОВАНИМ ЕКОНОМІЧНИМ ОБ’ЄКТОМ

С.М. Іванов

doi:10.32999/ksu2307-8030/2021-43-13

С.М. Іванов https://orcid.org/0000-0003-1086-0701

DOI: https://doi.org/10.32999/ksu2307-8030/2021-43-13

Ключові слова: нейро-нечіткі системи управління, модель ANFIS, нейронна мережа (ANN), правила нечіткого виведення (FIS)

Анотація

У статті розглянуто використання нейро-нечітких систем управління як інструмента для управління недетермінованими об’єктами в реальному масштабі часу. Обговорюються сучасні інструменти управління, структурні моделі дискретної квазіінваріантної автоматизованої системи управління. Представлене у статті аналізування автоматизованої системи управління заснований на застосуванні типових моделей дискретних автоматизованих систем управління. Відповідно до пропонованого рішення, в автоматизованій системі управління в реальному масштабі часу як опція об’єкта і передавальний коефіцієнт системи пропонується використовувати нейро-нечітку систему управління. Нейро-нечітка система управління заснована на процесі навчання штучної нейронної мережі (ANN), що дає змогу визначити правила нечіткого виведення (FIS). У статті пропонується модель ANFIS, яка виконана із застосуванням нечіткої системи Takagi T., Sugeno M., а також розглянуто алгоритм, який побудований на основі семи нечітких правил.

Посилання

1. Chang P.C., Fan C.Y. A Hybrid System Integrating a Wavelet and TSK Fuzzy Rules for Stock Price Forecasting. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2008. Vol. 38. № 6. P. 802–815.
2. Ivanov M., Maksyshko N., Ivanov S., Terentieva N. Intelligent Data Analysis in HR Process Management. CEUR Workshop Proceedings. 2020. Vol. 2608. P. 754–768.
3. Casillas J., Cordуn O., del Jesus M.J., Herrera F. Genetic tuning of fuzzy rule deep structures preserving interpretability and its interaction with fuzzy rule set reduction. IEEE Transactions on Fuzzy Systems. 2005. Vol. 13. P. 13–29.
4. Cordуn O., Herrera F., Villar P. Generating the knowledge base of a fuzzy rule-based system by the genetic learning of data base. IEEE Transactions on Fuzzy Systems. 2001. Vol. 9. P. 667–674.
5. Espinosa J., Vandewalle J. Constructing fuzzy models with linguistic integrity from numerical data-AFRELI algorithm. IEEE Transactions on Fuzzy Systems. 2000. Vol. 8. P. 591–600.
6. Wang D., He H., Zhao B., Liu D. Adaptive near-optimal controllers for nonlinear decentralized feedback stabilization problems. IET Control Theory Appl. 2017. № 11 (6). P. 799–806.
7. Guillaume S. Designing fuzzy inference systems from data: an interpretability-oriented review. IEEE Transactions on Fuzzy Systems. 2001. Vol. 9. P. 426–443.
8. Guillaume S., Charnomordic B. Generating an interpretable family of fuzzy partitions from data. IEEE Transactions on Fuzzy Systems. 2004. Vol. 12. P. 324–335.
9. Herrera F. Genetic fuzzy systems: taxonomy current research trends and prospects. Evolutionary Intelligence. 2008. Vol. 1. P. 27–46.
10. Antsaklis P.J. Neural Networks in Control Systems. IEEE Control Systems Magazine. 1990. Vol. 10. № 3. P. 3–5.
11. Cui R., Yang C., Li Y., Sharma S. Adaptive Neural Network Control of AUVs With Control Input Nonlinearities Using Reinforcement Learning. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2017. Vol. 47. № 6. P. 1019–1029.
12. Jang J.S.R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23. № 3. P. 665–685.
13. Boyacioglu M.A., Avci D. An Adaptive Network-based Fuzzy Inference System (ANFIS) for the Prediction of Stock Market Return: The Case of the Istanbul Stock Exchange. Expert Systems with Applications. 2010. Vol. 37. № 12. P. 7908–7912.
14. Sheta A. Software Effort Estimation and Stock Market Prediction Using Takagi – Sugeno Fuzzy Models. Fuzzy Systems, 2006 IEEE International Conference on IEEE. 2006. P. 171–178.
15. Sugeno M., Kang G.T. Structure Identification of Fuzzy Model. Fuzzy Sets and Systems. 1988. Vol. 28. № 1. P. 15–33.
16. Takagi T., Sugeno M. Fuzzy Identification of Systems and its Applications to Modeling and Control. IEEE Transactions on Systems, Man, and Cybernetics. 1985. № 1. P. 116–132.
17. Zhang H., Liu D. Fuzzy Modeling and Fuzzy Control. Springer Science & Business Media. 2006.
18. Suparta W., Alhasa K. M. Modeling of Tropospheric Delays Using ANFIS. Springer Book. 2016. 109 p.