- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
Допустим, что структурная схема адаптивной системы управления с эталонной моделью имеет следующий вид (рис. 28.6).
Уравнение основного ПИД - регулятора здесь определяется соотношением:
(28.6)
Наличие интегральной составляющей обеспечивает нулевую статическую ошибку САУ; выбором коэффициентов КИ, КП и КД обеспечиваются желаемые показатели качества переходных процессов. Будем учитывать 3 таких показателя - время достижения 10 % от установившегося значения (t1); время нарастания, т.е. достижения 90 % от установившегося значения (tн); перерегулирование (). Два из этих показателей (t1 и tн) отмечены на рис. 28.7, где показан график переходной функции у*(t) - реакции эталонной модели на ступенчатое изменение уставки r(t). Третий показатель () для переходного процесса, представленного на рис. 28.7, равен нулю, поскольку в качестве у*(t) выбран монотонный переходной процесс.
Рис. 28.6 Структурная схема нечеткой адаптивной САУ с ПИД – регулятором
Будем полагать, что цель, поставленная перед нечетким регулятором, - обеспечить желаемые показатели качества системы t1*, tн*, * за счет подстройки параметров основного регулятора КИ, КП;КД.
Рис. 28.7 Переходная функция эталонной модели
Для этого необходимо использовать правила, основанные на опыте и интуиции эксперта. При этом учитывается следующий опыт:
1) если коэффициент усиления КИ увеличивается, то время нарастания уменьшается, а перерегулирование возрастает;
2) если коэффициент усиления КП увеличивается, то время нарастания сильно уменьшается, а перерегулирование возрастает;
3) если коэффициент усиления КД увеличивается, то время нарастания сохраняется, а перерегулирование слегка возрастает;
4) чтобы уменьшить время достижения 10 % от установившегося значения, необходимо уменьшить коэффициент усиления КИ и одновременно увеличить коэффициент усиления КП.
Будем рассматривать в качестве входов НР отклонения t1= t1*- t1, tн=tн*- tн, =*-, а под выходами НР будем понимать настраиваемые значения коэффициентов усиления КИ; КП; КД основного регулятора. Базу правил НР, построенную на основе мнений эспертов, представим в виде таблицы 28.2.
Таблица 28.2. - База правил
Здесь используются обозначения термов : NB - «отрицательное большое» (negative big), ZO - «около нуля, оптимальное» (zero, optimal), PB - «большое отрицательное» (positive big). Соответствующие этим термам функции принадлежности входных переменных НР (после нормирования диапазонов изменения указанных величин t1, tн, ) показаны на рис. 28.8.
Поясним механизм составления таблицы 28.2. В каждой из клеток этой таблицы, составленной для различных значений переменной t1, записаны значения поправочных коэффициентов SИ, SП, SД, определяющих требуемый закон изменения параметров ПИД - регулятора в зависимости от значений входных лингвистических переменных НР:
КИ=(1 - SИ)КИ; КП=(1 - SП)КП; КД=(1 - SД)КД. (28.7)
Рис. 28.9. Результаты моделирования адаптивной САУ