Upload
others
View
18
Download
0
Embed Size (px)
Citation preview
1
INTELIGENTNO UPRAVLJANJE
Hibridni inteligentni sistemi
Copyright: Lejla Banjanović-Mehmedović
Vanr.prof.Dr. Lejla Banjanović-Mehmedović
Uvod Kompleksni realni problemi sve češće “zahtijevaju” p p j j
inteligentne sisteme, koji kombinuju znanje, tehnike, metodologije iz različitih izvora.
Tehnike soft računarstva: fuzzy sistemi, neuronske mreže, genetski algoritmi.
Hibridni inteligentni sistemi su računarski sistemi koji integriraju različite inteligentne tehnike.
Cilj integriranja: da se prevaziđu ograničenja
Copyright: Lejla Banjanović-Mehmedović
j g j p g jindividualnih tehnika pri rješavanju kompleksnih zadataka.
2
Osnovne forme hibridnih sistema
Neuro-fuzzy sistemi. Neuro-evolucioni sistemi. Fuzzy-evolucioni sistemi.
Copyright: Lejla Banjanović-Mehmedović
Neuro-fuzzy sistemi Fuzija fuzzy sistema i neuronskih mreža može biti Fuzija fuzzy sistema i neuronskih mreža može biti
bazirana na dva principa: Fuzzy sistem koji koristi neuronske mreže Sistemi kod kojih neuronske mreže koriste fuzzy model
zaključivanja.
Copyright: Lejla Banjanović-Mehmedović
3
Neuro-fuzzy sistemi Fuzzy sistem koji koristi neuronsku mrežuFuzzy sistem koji koristi neuronsku mrežu
Copyright: Lejla Banjanović-Mehmedović
Neuro-fuzzy sistemi Neuronske mreže koriste fuzzy model zaključivanja.
Copyright: Lejla Banjanović-Mehmedović
4
Neuro-evolucioni sistemi
Copyright: Lejla Banjanović-Mehmedović
Neuro-evolucioni sistemi
Kodiranje skupa težina u hromozom
Copyright: Lejla Banjanović-Mehmedović
5
Neuro-evolucioni sistemi
Ukrštanje u optimizaciji težinskih vrijednosti
Copyright: Lejla Banjanović-Mehmedović
Neuro-evolucioni sistemi
Mutacija u optimizaciji težinskih vrijednosti
Copyright: Lejla Banjanović-Mehmedović
6
Fuzzy-evolucioni sistemi
F ij t kih l it i f i t ž Fuzija genetskih algoritama i fuzzy sistema može se realizovati na dva načina: fuzzy sistemi koji koriste genetske algoritme, genetski algoritmi koji koriste fuzzy sisteme.
Copyright: Lejla Banjanović-Mehmedović
Fuzzy-evolucioni sistemi
Fuzzy sistemi koji koriste genetske algoritme Fuzzy sistemi, koji koriste genetske algoritme
Copyright: Lejla Banjanović-Mehmedović
7
Kodiranje parametara funkcija pripadnosti
Copyright: Lejla Banjanović-Mehmedović
Sinteza fuzzy regulatora sa genetskim algoritmom
i1 - trenutna udaljenost MR od virtualnog robotai2 - ugao koji zatvara pravac orjentacije robota i pravac koji spaja MR sa VR
Copyright: Lejla Banjanović-Mehmedović
8
Sinteza fuzzy regulatora sa genetskim algoritmom
Copyright: Lejla Banjanović-Mehmedović
Sinteza fuzzy regulatora sa genetskim algoritmom
Copyright: Lejla Banjanović-Mehmedović
9
Sinteza fuzzy regulatora sa genetskim algoritmom
Copyright: Lejla Banjanović-Mehmedović
Fuzzy-evolucioni sistemi
Genetski algoritmi koji koriste fuzzy sisteme Genetski algoritmi koji koriste fuzzy sisteme
Copyright: Lejla Banjanović-Mehmedović
10
ANFIS
Klasa adaptivnih mreža koje su funkcionalno ekvivalentne fuzzy Klasa adaptivnih mreža koje su funkcionalno ekvivalentne fuzzy sistemima zaključivanja je poznata pod nazivom ANFIS (adaptivni neuro-fuzzy sistem zaključivanja).
Mogućnost prikaza fuzzy modela u obliku neuronske mreže često se koristi u postupcima automatskog određivanja parametara fuzzy modela na osnovu raspoloživih ulazno-izlaznih podataka.
Copyright: Lejla Banjanović-Mehmedović
ANFIS Nekoliko tipova fuzzy zaključivanja
1 1 1 1f p x q y r
1 1 1 1f p x q y r
1 1 2 2
1 2
1 21 2
w f w ff
w w
w f w f
1w
1w
2w
1w
Nekoliko tipova fuzzy zaključivanja
Copyright: Lejla Banjanović-Mehmedović
1 1w
2w 2 2w f
1 1w f
2w
11
Struktura ANFIS-a
1. Sloj:
Copyright: Lejla Banjanović-Mehmedović
1
2
1( )
1
, ,
ii A b
i
i
i i i
O xx c
a
gdje su a b c parametri za oblikovanje pripadnosti
Struktura ANFIS-a
2. Sloj:
Copyright: Lejla Banjanović-Mehmedović
2,1)()(2 ijegdjeyxwOii BAii
12
Struktura ANFIS-a
3. Sloj:
Copyright: Lejla Banjanović-Mehmedović
2,121
3
ijegdjeww
wwO i
ii
Struktura ANFIS-a
4. sloj:
Copyright: Lejla Banjanović-Mehmedović
)(4iiiiiii ryqxpwfwO
13
Struktura ANFIS-a
5. Sloj:
Copyright: Lejla Banjanović-Mehmedović
5. Sloj:
i i
i ii
iii
w
fwfwO5
1
ANFIS sistemi
Anfis tipa 3 sa 2 ulaza i 9 pravila, b). odgovarajući fuzzy podprostori
Copyright: Lejla Banjanović-Mehmedović
14
Hibridno pravilo učenja ANFIS sistema ANFIS koristi hibridno pravilo učenja koje je nastalo spajanjem
algoritma najbržeg spusta (gradijentna metoda) i metode najmanjihalgoritma najbržeg spusta (gradijentna metoda) i metode najmanjihkvadrata.
Prolasci Prolazak unaprijed Prolazak unazad
Parametri premisa fiksni gradijenta metoda
Parametri zaključka estimator najmanjih kvadrata fiksni
Signali izlazi čvorova izvodi mjere greške
Copyright: Lejla Banjanović-Mehmedović
Primjena ANFISA u zadaći predikcije
Zadaća: predikcija pH za jake baze i kiseline, odnosno predikcija Zadaća: predikcija pH za jake baze i kiseline, odnosno predikcijaprocesa njihove neutralizacije.
Ulazen večičine. koncentracija baze se mijenja nasumično uintervalu [0 0.2]
Izlaz: pH vrijednosti
Copyright: Lejla Banjanović-Mehmedović
15
Primjena ANFISA u zadaći predikcijeGenerisano 2000 uzoraka, od čega je 1000 korišteno zatreniranje, a 1000 za provjeru.
Copyright: Lejla Banjanović-Mehmedović
Primjena ANFISA u zadaći predikcije
Copyright: Lejla Banjanović-Mehmedović
16
Primjena ANFISA u zadaći predikcije
Broj funkcija pripadnosti
Greška treniranja
Greška provjere
trimf 3 0.235988 0.228560trapmf 3 0.148870 0.208193
gbellmf3 0.545954 0.5842095 0.378919 0.3832103 0 321804 0 315147
Copyright: Lejla Banjanović-Mehmedović
gauss2mf3 0.321804 0.3151475 0.040886 0.134625
Primjena ANFISA u zadaći predikcije
Copyright: Lejla Banjanović-Mehmedović
17
Primjena ANFISA u identifikaciji sistema
Za primjer identifikacije sistema je uzet DC motor, koji je vrločest aktuator u sistemima upravljanja.
Copyright: Lejla Banjanović-Mehmedović
Primjena ANFISA u identifikaciji sistema
Copyright: Lejla Banjanović-Mehmedović
18
Primjena ANFISA u identifikaciji sistema
Da bismo koristili ANFIS za identifikaciju, prvo moramo odabratiulaze, odnosno odrediti koje varijable trebaju biti ulazniargumenti za ANFIS model.
Postoje dvije metode za izbor ulaznih varijabli: Sekvencijalna pretraga Iscrpna pretraga
U sekvencijalnoj pretrazi svaki se ulaz bira sekvencijalno da seoptimizira ukupna kvadratna greška.
Postupak iscrpne pretrage je računski zahtjevniji jerpodrazumijeva iscrpnu pretragu svih mogućih kandidata.
Copyright: Lejla Banjanović-Mehmedović
Primjena ANFISA u identifikaciji sistema
Tip pretrage Odabrani ulazi
RMSE treniranja
(10-5)
RMSE provjere
(10-3)
Vrijeme izračunavanja
Sekvencijalna pretraga
y(k-1), y(k-2), u(k-2) 8,7835 6,7348 1,641 sekunde
Iscrpnapretraga
y(k-2),y(k-3),u(k-6) 5,2262 4,2953 7,042 sekunde
Copyright: Lejla Banjanović-Mehmedović
19
Primjena ANFISA u identifikaciji sistema
Copyright: Lejla Banjanović-Mehmedović
Primjena ANFISA u upravljanju
ANFIS za upravljanje temperaturom u bazenu.ANFIS za upravljanje temperaturom u bazenu. Stalno praćenje temperature upravljačkog sistema se može opisati
jednačinom:
t – vrijeme, y(t) – izlazna temperaturu u °C, f(t) – toplina koja kruži u unutrašnjem sistemu,( ) p j j , Y0 – sobna temperatura (konstantna vrijednost 25 °C), C – sistem toplinskog kapaciteta, R – termički koeficijent prenosa topline na granici sistema i okoline.
Copyright: Lejla Banjanović-Mehmedović
20
Primjena ANFISA u upravljanju Cilj je dizajnirati kontroler na principima fuzzy logike/ANFIS-a tako
d k t l t t d ti f t i fil št b ljda kontrola temperature vode prati referentni profil što bolje. Ovaj referentni profil je definisan je na slijedeći način:
35C za 0 t 40 minuta,
50C za 40 t 80 minuta, 65C za 80 t 120 minuta i 80C za 120 t 180 minuta.
Sistem sa više ulaza i jednim izlazom. Ulazi: referentna temperatura (yd) i temperatura bazena (y). Izlazi: vrijednosti napona koji smo dobili iz ANFIS-a i koje se
koriste za kontrolu bazena(u).Copyright: Lejla Banjanović-
Mehmedović
Fuzzy regulator
Greška e(t)
NB NM NS ZR PS PM PB
Promjenegreške
c(t)
NB NB
NM NM
NS NS NS NS
ZR NB NM NS ZR PS PM PB
PS PS PS PS PM PB
PM PM PM PM PB
PB PB PB PB PB
Copyright: Lejla Banjanović-Mehmedović
e(t) - greška između željene i stvarne temperature vodec(t) – promjena greške
21
Rezultat izvršene simulacije korištenjem fuzzy regulatora
Indeks AES=k 1|ref(k)-y(k)| gdje je ref(k) je referentni signal i y(k) je stvarni izlazIndeks AES k=1|ref(k) y(k)|, gdje je ref(k) je referentni signal i y(k) je stvarni izlaz.U ovoj simulaciji, indeks perfomanse ili mjera kvaliteta je AES=429.0475.
Copyright: Lejla Banjanović-Mehmedović
Primjer primjene ANFIS regulatora
RC
tyY
C
tf
dt
tdy )()()( 0
)()()()()1( kuTbkyTakY ss
00.5 ( )
( )( 1) ( ) ( ) ( ) 1 ( )
1 exps
s sy k
b Ty k a T y k u k a T Y
Za kontrolu temperature ubazenu, implementirat ćemoANFIS kontroler
Copyright: Lejla Banjanović-Mehmedović
1 exp
( ) exp , ( ) ( / )(1 exp )s sT Ts sa T b T
22
ANFIS regulator
ANFIS može zamijeniti gotovo bilo koju neuronsku ANFIS može zamijeniti gotovo bilo koju neuronskumrežu u kontrolnom sistemu i raditi istu funkciju.
ANFIS Plant, f
)1( ky
)(ku)(ky
1z
Copyright: Lejla Banjanović-Mehmedović
Slika Konfiguracijski blok sa ANFISza kontrolu temperature u bazenima
)(y
)1( kyd
Rezultati primjene ANFIS regulatora
Copyright: Lejla Banjanović-Mehmedović
Indeks perfomanse iznosi ASE= 371.2505 i manji je od fuzzy regulatoradizajniranog u prethodnom djelu.
23
Zaključak Upotreba hibridnih inteligentnih sistema često ograničena p g g
zbog manjka ili nedostatka odgovarajućih softverskih paketa.
Opravdanost dizajna: ukoliko kompleksnost problema zahtijeva integraciju
tehnika, ukoliko je problem nerješiv pomoću konvencionalnog
računarstva ili upotrebom samo jedne tehnike.
Copyright: Lejla Banjanović-Mehmedović
p j Hibridni inteligentni sistemi su kao tehnika još relativno
mladi, tek će vrijeme pokazati pravu vrijednost i potencijal hibridizacije tehnika.