KR950007882B1 - 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 - Google Patents
퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 Download PDFInfo
- Publication number
- KR950007882B1 KR950007882B1 KR1019920010571A KR920010571A KR950007882B1 KR 950007882 B1 KR950007882 B1 KR 950007882B1 KR 1019920010571 A KR1019920010571 A KR 1019920010571A KR 920010571 A KR920010571 A KR 920010571A KR 950007882 B1 KR950007882 B1 KR 950007882B1
- Authority
- KR
- South Korea
- Prior art keywords
- fuzzy
- data
- input
- variable
- membership function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/026—Development tools for entering the parameters of a fuzzy system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/90—Fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
내용 없음.
Description
제1도는 발명의 배경에서 개술된 전문가 퍼지 제어 시스템의 아키텍쳐를 설계하는 일반적 절차를 도시한 도면.
제2도는 본 발명에 따른 제1의 양호한 실시예에서 실행된 전문가 퍼지 제어 시스템의 본 발명에 따른 제1의 양호한 실시예에서 실행된 전문가 퍼지 제어 시스템의 아키텍쳐를 설계하는 일반적 절차를 도시한 도면.
제3도는 제1의 양호한 실시예의 퍼지 규정 및 멤버쉽 함수 자동 발생 장치의 일반적 회로 블록도.
제4(a)도 및 제4(b)도는 퍼지 수를 설명하기 위한 설명도.
제5도는 제어될 프로세서의 동적 특성의 설명도.
제6도는 Xi-Xj의 좌표 시스템을 설명하기 위한 설명도.
제7도는 퍼지 공간을 설명하기 위한 설명도.
제8도는 멤버쉽 함수를 나타내는 설명도.
제9(a)도 및 제9(b)도는 본 발명에 따른 제2의 양호한 실시예의 멤버쉽 함수 자동 발생 시스템에서 실행된 입력 공간, 변수 및 퍼지 라벨 사이의 관계를 설명하기 위한 설명도.
제9(c)도는 본 발명에 따른 제2의 양호한 실시예에서 사용된 세레벨과 모델 산슬 컴퓨터의 설명도.
제10도는 제9(a)도 내지 제11도에 도시된 제2의 양호한 실시예에서 발생된 출력 멤버쉽 함수의 설명도.
제11도는 다중-입력, 다중-출력 시스템에서의 CMAC의 개략 구조를 설명하기 위한 설명도.
제12도는 분할된 입력 공간과 제9(c)도에 도시된 세레벨라 모델 산슬 컴퓨터 내에 저장된 학습 데이타 사이의 관계를 설명하기 위한 설명도.
제13도는 학습 데이타를 사용하여 제9(a)도 및 제9(b)도에 도시된 양호한 실시예에서의 분할된 임의의 입력 공간 내에 발생된 출력 데이타를 설명하기 위한 설명도.
* 도면의 주요 부분에 대한 부호의 설명
1 : 프로세스 2 : 프로세스 데이타 수집 블럭
2a : 프로세스 데이타 임시 영역 3 : 데이타 프로세싱 블럭
3a : 프로세스된 데이타 임시 영역 4 : 프로세스 데이타 베이스 발생 블럭
4a : 프로세스 데이타 베이스 블럭
5 : 퍼지 클러스터 데이타 베이스 발생 블럭
6 : 퍼지 평가 함수 7 : 퍼지 클러스터 데이타 베이스 블럭
8 : 퍼지 규정 발생기 9 : 퍼지 추론 규정 파일
10 : 멤버쉼 함수 발생기 11 : 멤버쉽 함수 파일
12 : 퍼지 추론 제어 시스템
본 발명은 입력 변수 및 출력 변수의 멤버쉽 함수 및 이들이 적용된 퍼지 추론 시스템을 위한 퍼지 규정을 자동적으로 발생시키기 위한 장치 및 방법에 관한 것이다.
이미 제안된 퍼지 추론 시스템은 1990년 9월 14일자 출원된 중화민국(대만)특허 출원 제79107756호(현재 1991년 10월 1일자로 특허 제47856호로 특허됨)에 대응하는 일본국 특허 출원 제1-239514호에 기초하는 우선권을 갖고 있는 1990년 9월 13일자 출원된 미합중국 특허 출원 제07/581,770호에 의해 예시되어 있는데, 이는 1990년 9월 13일자 출원된 대한민국 특허 출원 제90-14455호에 대응하는 것이다.
전술한 개시된 퍼지 추론 시스템으로부터 알 수 있는 바와 같이, 제어 시스템의 아키덱쳐가 설계될 때에는 작 숙련된 전문가의 노우-하우에 대한 데이타의 수집과 그들의 시뮬레이션을 포함하는 완전 조정 조작을 수행하는 것이 가장 중요하다.
제1도는 전문가 퍼지 제어 시스템의 아키텍쳐를 설계하는 절차를 도시한 것이다.
제1도에서, 단계(S1)은 설계자의 시스템 아키텍쳐의 대상 시스템을 이해하기 위한 단계이다.
즉, 단계(S1)에서, 전문가는 시스템으로부터 어떤 것이 측정될 수 있거나 측정될 수 없는지, 어떤 종류의 조작을 해야 하는지, 시스템을 제공하는 목적이 무엇인지, 그리고, 시스템에 의해 해결될 문제가 무엇인지를 조사하고, 특정적으로 이해한다.
단계(S2)에서, 잘 숙련된 조작자의 노우-하우에 대한 데이타가 수집된다. 즉, 단계(S2)에서, 잘 숙련된 전문가가 제어될 시스템을 구동시킬 때, 시스템이 어떠한 상태인지, 시스템의 목적이 무엇이며, 어떤 종류의 동작을 시스템이 요구하는지, 시스템이 어떻게 동작되는지 등등과 같은 노우-하우의 데이타가 수집된다.
전술한 이러한 수집 동작에서 주의할 점은, 프로세스의 상태가 대강 3개 또는 5개의 레벨(고, 중간, 및 저)로 분류되고, 또는 그들의 동작이 보다 세밀하게 5개 또는 7개의 레벨(상당히 작음,작음,중간,큼,상당히 큼)로 분류되고, 그 다음에 노우-하우가 잘 숙련된 조작자와의 인터뷰 및/또는 앙케트(여론 조사)를 통하여 얻어진다는 점이다. 그 다음에, 이 노우-하우들은 IF~THEN형태인 언어적 규정으로 전개된다.
다음에 멤버쉽 함수가 추출된다.
일반적으로, 삼각형, 벨형, 어떤 함수형 및 사다리꼴형과 같은 다양한 형태의 멤버쉽 함수가 사용된다. 이들 형태의 멤버쉽 함수 중에서 가장 잘 표현할 수 있는 형태는 지수 함수 형이라고 한다. 그러나, 실제로 사용되는 형태는 삼각형이다. 그러면, 잘 숙련된 조작자로부터 각각의 퍼지 레벨을 표현하는 삼각형 멤버쉽 함수의 정점만을 수집해도 된다. 이 이유 중의 하나는 언어적 퍼지 규정으로 표현된 것은 특성 점이고, 퍼지 추론은 내부 보간을 통하여 수행된다는 것이고, 다른 이유는 예를 들어, “어떠한 값이 약 0.8 또는 대략 중간이 값에 대응하느냐”는 질문에 대해서 분명한 답이 얻어질 수 없다는 것이다.
단계(S3)은 동작 데이타를 수집하기 위한 단계이다. 이 단계(S3)은 즉, 데이타 기록기를 사용하여 단계(S2)에서의 규정된 변수들(예를 들어, 입력 변수로서 온도, 압력, 또는 흐름양 및 출력 변수로서 밸브의 개방각)의 값을 수집하는 것이다. 다음에, 이 데이타에 기초하여 단계(S2)에서 유도된 조작 노우-하우와의 정합이 이루어진다.
단계(S4)에서, 노우-하우가 퍼지 추론 시스템의 퍼지 제어기에 적용된다. 즉, 단계(S4)는 단계(S3)에서 결정된 잘 숙련된 전문가의조작 노우-하우가 제어 시스템에 적용될 때 수행된 변수의 정의를 가르쳐준다. 변수의 정의는 변수의 속성이 IF~THEN 언어적 규정으로 다루어지도로 이루어진다. 그 다음에, 각 변수의 퍼지 레벨 및 멤버쉽 함수는 퍼지 제어기에 입력되고 퍼지 제어 언어적 규정이 등록된다.
단계(S5)에서, 시뮬레이션이 수행된다. 상세히 말하면, 단계(S5)는 단계(S4)에서의 제어 규정 및 멤버쉽 함수 입력을 사용하여 시뮬레이션 하기 위한 단계이다. 다음에, 단계(S3)에서 수집된 수집된 데이타는 평가 함수로서 사용되고 제어될 시스템의 퍼지 모델링이 수행된다.
모델링을 위한 제어가 수행되고 시뮬레이션된다. 또한, 기록기는 잘 숙련된 전문가의 조작 및 퍼지 제어기로부터 유도된 제어량 및 이들의 방향을 수집하고 해석하는데 사용된다.
단계(S6)에서, 퍼지 추론 시스템의 실제 조작이 수행된다. 단계(S1) 내지 (S5)의 일련의 단계의 준비가 수행된 후에, 실제 시스템에 적용된다. 단계(S6)에서, 멤버쉽 함수의 미세 조정이 퍼지 추론 시스템의 최적화를 달성시키기 위해 반복된다.
제1도의 단계(S1) 내지 (S6)중에서 잘 숙련된 조작자로부터의 노우-하우에 대한 데이타를 수집하기 위한 단계(S2)는 퍼지 제어 시스템이 실행되는지 여부를 결정하는 중요한 요소이다.
규정 및 멤버쉽 함수가 단계(S2)에 따라 어느 정도 결정될 수 있지만, 단계(S2)가 그들을 결정하는데 항상 적절한 것은 아니다. 그 이유는 잘 숙련된 전문가의 노우-하우가 얼마나 양호하게 퍼지 클러스터될 수 있는가 하는 문제와 노우-하우가 퍼지 규정으로서 어느 정도까지 표현될 수 있느나는 문제가 명확히 정의되어 있지 않기 때문이다.
또한, 멤버쉽 함수를 나타내는 퍼지 라벨이 균일하게 발생되기 때문에,큼및약간 큼과 같은 퍼지 표현이 이루어질 수 없다.
그러므로, 본 발명의 목적은 적절한 퍼지 규정 및 멤버쉽 함수를 나타내는 퍼지라벨이 균일하지 않은 표현을 갖는 경우에 있어서의 그 퍼지 라벨을 자동적으로 발생시키는 적합한 퍼지 규정 및/또는 멤버쉽 함수를 자동적으로 발생시키기 위한 개량된 장치 및 방법을 제공함에 있다.
상술한 목적은 a) 퍼지 추론 시스템의 제어 대상인 프로세스로부터 제1데이타를 수집하고 상기 제1데이타를 자신의 프로세스 데이타 임시 영역 내에 저장하기 위한 프로세스 데이타 수집 블럭 ; b) 상기 프로세스 데이타 수집 블럭의 임시 영역 내에 저장된 상기 프로세스 제1데이타에 기초하여 프로세스로부터 직접 측정될 수 없는 제2데이타를 계산하고, 상기 계산된 제2데이타를 자신의 프로세스된 데이타 임시 영역내에 저장하기 위한 데이타 프로세싱 블럭 ; c) 상기 프로세스 데이타 수집 블럭 및 데이타 프로세싱 블럭의 각각의 임시 영역 내에저장된 상기 제1 및 제2데이타로부터 프로세스 데티아 베이스를 발생시키기 위한 프로세스 데이타 베이스 발생 블럭 ; d) 상기 프로세스 데이타 베이스 발생 블럭 내에 발생된 제3데이타 및 퍼지 평가 함수를 수신하고 퍼지 클러스터 데이타 베이스를 발생시키도록 상기 프로세스 데이타 베이스로부터 상기 퍼지 평가 함수를 만족시키는 상태 공간을 검출하기 위한 퍼지 클러스터 데이타 베이스 발생 블럭; e) 퍼지 라벨을 상기 퍼지 클러스터 데이타 베이스 발생 블럭에서 발생된 퍼지 클러스터 데이타 베이스 내에 저장된 각각의 입력 및 출력 변수의 데이타에 부가하고, IF~THEN~의 형태로 퍼지 추론 규정을 발생시키고 상기 발생된 퍼지 추론 규정을 퍼지 추론 규정 파일 내에 저장하기 위한 퍼지 규정 발생기; 및 f) 상기 퍼지 클러스터 데이타 베이스 발생 블럭에 의해 발생된 데이타 베이스를 상기 각 변수의 퍼지라벨에 대응하는 멤버쉽 함수를 발생시키고 상기 발생된 멤버쉽 함수를 멤버쉽 함수 파일 내에 저장하기 위한 멤버쉽 함수 발생기를 포함하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치를 제공함으로써 달성될 수 있다.
상술한 목적은 또한 a) 각 퍼지 추론 입력 변수를 위해 클러스터된 입력 공간 모두에 대한 학습 데이타를 저장하기 위한 학습 메모리를 갖고 있는 컴퓨터 시스템에 의해 구성된 입력 시스템; b) 각 입력 변수에 대한 퍼지 라벨을 결정하고, 상기 결정된 퍼지 라벨에 따라 상기 각 입력 변수의 지지 집합을 나누어, 상기 나누어진 지지집합의 수에 따라 상기 컴퓨터 시스템의 중량 테이블을 결정하여 저장하고, 상기 입력 변수의 퍼지 라벨의 각 대표 점이 상기 입력 변수를 위한 대표점에 대응하는 하나이상의 출력 값을 자동적으로 유동하기 위해서 상기 컴퓨터 시스템에 입력되도록 상기 각 입력 변수의 퍼지 라벨, 상기 중량 테이블, 및 상기 나누어진 지지 집합의 수에 기초하고 상기 학습 데이타를 사용하여 상기 컴퓨터 시스템을 학습하고, 출력 시스템의 멤버쉽 함수를 형성하도록 상기 출력값을 퍼지화하기 위해 상기 출력 변수에 상기 퍼지 레벨을 제공하기 위한 상기 컴퓨터 시스템에 의해 구성된 출력 시스템을 포함하는 퍼지 추론 시스템용 멤버쉽 함수를 자동적으로 발생시키기 위한 장치를 제공함으로써 달성될 수 있다.
상술한 목적은 또한 a)각 퍼지 추론 입력 변수를 위해 클러스터된 입력 공간 모두에 대한 학습 데이타를 저장하는 단계 ; b) 상기 각 입력 변수에 대한 퍼지 라벨을 결정하는 단계 ; c) 상기 결정된 퍼지 라벨에 따라 상기 각 입력 변수의 지지 집합을 나누는 단계 ; d) 상기 나누어진 지지 집합의 수에 따라 컴퓨터 시스템의 중량 테이블을 결정하여 저장하는 단계 ; e) 상기 입력 변수의 퍼지 라벨의 각 대표 점이 상기 입력 변수를 위한 대표 점에 대응하는 하나 이상의 출력값을 자동적으로 유도하기 위해서 상기 컴퓨터 시스템에 입력되도록 상기 입력 변수의 퍼지 라벨, 상기 중량 테이블, 및 상기 나누어진 지지 집합의 수에 기초하고 상기 학습 데이타를 사용하여 상기 컴퓨터 시스템을 학습하는 단계; 및 f) 상기 출력 시스템의 멤버쉽 함수를 형성하도록 상기 출력 값을 퍼지화하기 위해 상기 출력 변수에 상기 퍼지 라벨을 제공하는 단계를 포함하는 상기 컴퓨터 시스템에 의해 구성된 출력 시스템을 포함하는 퍼지 추론 시스템용 함수를 자동적으로 발생시키기 위한 방법을 제공함으로써 달성될 수 있다.
본 발명은 다음의 상세한 설명과 양호한 실시예의 첨부 도면으로부터 보다 완전히 이해될 수 있을 것이다. 그러나, 도면은 발생을 특정한 실시에에 한정시키고자 의도된 것이 아니고 단지 설명과 이해를 위해 이루어진 것이다.
본 발명의 이해를 용이하게 하기 위해 도면을 참조하여 설명한다.
(제1의 양호한 실시예)
먼저, 퍼지 클러스터링 함수에 대해 설명한다.
퍼지 클러스터링 함수는 전문가 퍼지 제어 시스템의 아키텍쳐에 가장 중요한 퍼지 규정 및 멤버쉽 함수를 결정하는 범용 기능을 갖고 있다.
적합한 처지 제어 시스템의 아키텍쳐를 설계하기 위한 필수 요소로는 잘 숙련된 조자자에 의해 제어될 프로세스의 조작을 포함하는 동적 특성으로부터 적합한 제어 퍼지 규정 및 멤버쉽 함수를 자동 발생시키는 기능, 구동 상태 중에 실시간으로 제어결과의 평가를 수행하는 기능, 및 준비된 멤버쉽 함수의 점검 기능을 포함한다.
제2도는 전문가 퍼지 제어 시스템을 구성하는 일반적 절차를 도시한 것이다.
단계(S11)에서, 설계자는 제어 대상으로부터 어떤 것이 측정될 수 있는 자와 제어 대상의 최적 동작 상황을 파악하기 위해서 무엇을 측정할 것인가에 대해서 조사하고 이해한다.
단계(S12)에서, 퍼지 평가 함수, 즉 퍼지 클러스터링을 수행할 퍼지 평가 함수가 결정된다.
단계(S13)에서, 설게자는 제어 대상의 조작에 대한 데이타를 수집하고 퍼지 클러스터링을 수행한다.
즉, 조작 데이타가 수집될 때 최적 조작 상황을 나타내는 데이타가 퍼지 클러스터링을 수생하기 위해 픽업된다. 그 다음에, 제어 규정 및 멤버쉽 함수가 자동적으로 발생된다.
주목할 것은 제1도에서는 단계들과는 다르게, 단계(S12)에서 퍼지 라벨의 수를 대강 나눌 필요가 없으며, 퍼지 규정 및 멤버쉽 함수의 수는 최적 동작 상태로서 퍼지 클러스터링된 수와 동일하게 만들어진다는 것이다. 바꾸어 말하면, 퍼지 라벨에 대해 큰 또는 중간과 같은 의미를 제공할 필요가 없다. 또한, 멤버쉽 함수의 형태는 삼각형에 기초할 수 있다.
단계(S14)에서, 시뮬레이션이 실행된다.
즉, 시뮬레이션은 자동적으로 발생된 규정 및 멤버쉽 함수를 사용하여 실행된다.
단계(S14)에서, 기록기는 퍼지 추론에서 제어에 적합하지 않은 제어 대상의 동작상태 하에서의 데이타를 입력하고, 제어 결과가 개선되었는지 여부를 비교하고 평가하도록 조작된다. 단계(S15)에서, 퍼지 제어 시스템 내의 실제 조작을 위한 자기 조정이 수행된다.
단계(S15)에서, 단계(S14)까지의 준비 이후에, 퍼지 규정 및 멤버쉽 함수는 실질적으로 실제 시스템에 적용된다.
즉, 단계(S15)에서, 퍼지 제어 시스템에 의한 제어의 결과를 자동적으로 평가하면서, 멤버쉽 함수의 미세 조정이 퍼지 어댑터브 제어 수단 또는 시스템을 사용하여 반복되어 퍼지 제어 시스템을 최적화시킨다.
제3도는 제1의 양호한 실시예의 퍼지 규정 및/또는 멤버쉽 함수 자동 발생 장치의 기능적 블럭도를 도시한 것이다.
제3도에서, 참조번호(1)은 조작자의 조작을 포함하는 제어될 프로세스를 나타낸 것이다. 프로세스(1)로 부터의 데이타는 소정의 조건(예를 들어, 일정한 시간 간격)하에서 프로세스 데이타 수집 블럭(2)에 의해 수집된다. 데이타 수집 블럭(2)에 의해 수집된 데이타는 프로세스 데이타 임시 영역(2a)내에 저장된다.
임시 영역(2a)내에 저장된 프로세스 데이타는 데이타 프로세싱 블럭(3)에서 변화율, 편차 및 적분된 값과 같은 직접 측정되지 않는 데이타를 계산하여 프로세스된 데이타 임시 영역(3a)에 공급된다. 양 임시 영역(2a,3a)내에 저정된 데이타는 프로세스 데이타 베이스 발생기 발생 블럭(4)에서 데이타 베이스로서 발생된다. 발생된 데이타는 타임 시리즈 데이타의 형태로 프로세스 데이타 베이스 블럭(4a)내에 공급되어 저장된다.
참조 번호(5)는 프로세스 데이타 베이스가 퍼지 평가 함수 블럭(6)의 퍼지 평가함수를 사용하여 파일되고, 퍼지 평가 함수를 만족시켜 주는 상태 공간이 프로세스 데이타 베이스 블러(4a) 및 퍼지 클러스터 데이타 베이스로부터 검출되는 퍼지 클러스터 데이타 베이스 발생 블럭을 나타낸 것이다. 발생된 데이타 베이스는 퍼지 클러스터 데이타 베이스 블럭(7)내에 저장된다. 데이타 베이스 블럭(7)의 데이타 베이스는 퍼지 규정 발생기(8)에 제공된다. 퍼지 규정 발생기(8)은 퍼지 라벨을 각 변수상의 데이타에 부가하는데 사용된다. 또한, 퍼지 규정 발생기(8)은 IF~THEN~형태 퍼지 추론 규정을 발생시키고 그들을 퍼지 추론 규정 파일(9)에 저장하는데 사용된다.
퍼지 클러스트 데이타 베이스 블럭(7)내의 데이타 베이스는 멤버쉽 함수 발생기(10)에 공급된다. 멤버쉽 함수 발생기(10)은 데이타 베이스 블럭(7)내에 저장된 각각의 변수 상의 데이타에 대해 퍼지 라벨에 대응하는 멤버쉽 함수를 발생시키고 그들을 멤버쉽 함수 파일(11)내에 저장한다. 양 파일(9,11)내에 저장된 퍼지 추론 규정 및 멤버쉽 함수는 퍼지 추론 시스템(12)에서 사용된다.
다음에, 평가 함수 및 프로세스 데이타 베이스로부터 퍼지 추론 규정 파일(9) 및 멤버쉽 함수 파일(11)에서의 퍼지 클러스터 데이타 및 퍼지 추론 규정의 발생까지의 전사(transcription)는 제4(A)도 및 제4(B)도를 참조하여 설명될 것이다.
먼저, 퍼지 클러스터링 데이타 베이스 발생에 대해 설명한다.
상술한 바와 같이, 프로세스 데이타 베이스 블럭(4a)는 프로세스 데이타 베이스 발생블럭(4)에 의해 발생된 프로세스의 상태, 프로세스 데이타 베이스 발생블럭(4)에 의해 발생된 프로세스의 데이타 상태 및 잘숙련된 조작자에 의한 조작에 대한 데이타 S를 다음 식으로 나타낸 바와 같은 행렬 형태로 저장한다.
[수학식 1]
(1)식은 X1 내지 Xn의 N-차 차원 공간 내의 프로세스(1)의 동적 특성 행렬로서 해석될 수 있다. 퍼지 평가 함수는 프로세스의 최적 상태를 다음 식(2) 및 (3)으로 표현할 수 있다:
[수학식 2]
[수학식 3]
여기서 k=a~b :
F(s) : 종합적 퍼지 평가 함수 ;
f1(s) : 공간 i의 퍼지 평가 함수 ;
αi : F(s)에 대한 f1(s)의 기여도 ;
Xk : 공간 i내의 퍼지 평가를 위한 프로세스 변수
Dks : Dk의 퍼지 평가 값
V : OR연산자 ; 및 ∧=AND 연산자.
식(1)은 f1(s),f2(s),…,또는 fn(s)가 만족되는 프로세스의 상태가 바람직하다는 것을 나타낸다.
식(2)의 우측에서의 상수 1은 식의 표현상 제공되었다.
식(2)는 다음과 같이 표현되는 퍼지 추론 규정으로서 전개될 수 있다. :
상기 식에서, C는 프로세스의 상태를 나타내는 변수이고, αi는 요망성(desirableness)을 나타내고 0에서 1.0까지 세그멘트 값을 갖고 있다. αi의 값의 증가됨에 따라 요망성에 대한 기여도가 높아지게 된다.
식(2) 및 (3)에서 표현된 퍼지 평가 함수는 프로세스 데이타 베이스로 퍼지 클러스터 데이타 베이스로 변환하는데 사용된다. 이것은 프로세스의 동적 특성 행렬로부터 퍼지 평가 함수를 만족하는 프로세스 변수 X1 내지 Xn의 조합을 추출하며, 추출된 프로세스 변수들의 조합은 퍼지 클러스터 데이타 베이스 블럭 내에 저장된다.
이하 퍼지 크러스터링 함수의 특징점에 대해 설명하기로 한다.
퍼지 평가 함수가 다음과 같이 표현된다고 가정하자.
[수학식 4]
[수학식 5]
다음에, αa=1이고, Dis 및 Djs는 제4(a)도 및 제4(b)도에 도시되어 있는 멤버쉽 함수를 갖고 있는 퍼지 수를 나타내고, 제어될 X1 내지 Xn의 프로세스 변수를 갖고 있는 N차원 프로세스 동적 특성 행렬을 제5도에 A로 도시된 바와 같다고 가정하자.
제5도에 도시된 점 P는 퍼지 평가 함수의 식(6)에서 Xi=Dis이고 Xi=Djs일때 fa(S)=1을 나타내는 점이다.
Xi, Xj가 직교 좌표계로 변화되면, 점 P는 제6도에 도시된 것과 같다.
컴퓨터에 의해 샘플된 데이타가 일반적으로 연속적인 값(아날로그)형태가 아니라 이산적인 값(디지탈)형태로 되어 있기 때문에, 샘플된 데이타는 제6도 및 제7도의 P의 점을 향상 통과하지는 않는다. 그러므로, 점 P'가 식(5)의 fa(s)의 최대 값을 제공한다고 가정한다.
제7도에서, A'는 Xi-Xj의 좌표계에서의 fa(s)를 만족시키는 퍼지 공간을 나타낸다.
공간 A'내의 점 P0,P1,P2,…는 프로세스로부터 샘플된 이산 값 데이타를 나타내고 일반적으로 점 Pt는(Dit,Djt)로 나타낸다고 가정하면, Xi 및 Xj는 다음과 같이 표현될 수 있다.
Xi=αDit(Dit가 Ds에 속하는 정도를 나타냄).
Xj=αDit(Dit가 Ds에 속하는 정도를 나타냄).
점 P'의 만족도 S'(t)가 다음 식(7)로서 정의된다면, A'내에서 유도될 점 P'는 식(7)에서의 최대값을 제공하는 (Dit,DJT)의 조합으로 될 수 있다 :
[수학식 6]
좌표계 Xi-Xj에서 S'(t)의 최대값을 제공하는 점 P'의 Xi,Xj의 값이 각각 Dip,Djp로 표시된다고 가정하면, Xi-Xj를 제외한 각 축상의 값은 식(1)의 Xi=Dip, K Xi=Djp가 되는 열의 값으로 될 수 있다.
즉, Xi=Dip, K Xi=Dip를 만족시키는 샘플된 데이타의 조합은 다음 식(8)로 표현될 수 있다.
[수학식 8]
퍼지 클러스터 데이타 베이스로 전사될 데이타는 식(8)로 될 수 있다.
퍼지 클러스터 데이타 블럭(7)에는 식(8)로 표현되며 식(2) 및 (3)에서 표현된 퍼지 평가 함수에 대응하는 수에 의해 프로세스 데이타 베이스(4a)로부터 프로세스의 최적 상태를 퍼지 클러스터된 데이터가 저장된다.
다음에, 퍼지 규정 및 멤버쉽 함수의 발생에 대해 설명한다.
퍼지 클러스터 데이타 베이스 블럭(7)은 식(2) 및 (3)을 어느 정도 만족시키는 데이타 집합(D1p,D2P,…,Dip,…,Dnp)를 저장한다. 즉, 퍼지 클러스터 데이타 베이스 블럭(7)은 제어될 프로세스가 어느 정도 퍼지 평가함수를 만족시키는 상태에서 조작자의 조작 양 및 프로세스의 상태 양을 저장한다.
(A) 퍼지 규정의 발생 : 프로세스 변수(X1 내지 Xn)이 프로세스 데이타 XP 및 조작 데이타 XS로 나누어 진다고 가정한다.
XP는 입력 변수를 나타내고 XS는 출력 변수를 나타낸다.
다음에, 퍼지 클러스터 데이타 베이스 블럭(7)내에 저장된 XP 및 XS의 각 변수의 데이타 집합이 각각 DP 및 DS로 표시된다고 가정하면, XP 및 XS는 다음과 같이 표현될 수 있다 :
퍼지 레벨(LDP,LDS)가 각 변수(XP,XS)에 대응하는 값(DP,DS)에 대하여 정의 되면, LDP 및 LDS는 다음 식으로 성립될 수 있다.
퍼지 규정은 식(9) 내지 (14)를 사용하여 퍼지 클러스터 데이타 베이스 블럭(7)내의 데이타 집합의 수에 대응하는 수에 의해 발생된다.
R : IF XP1 is LDP2
and XP2 is LDP2
· ·
· ·
· ·
and XPj is LDPj
· ·
· ·
· ·
and XPn is LDPn
THEN SX1 is LDS1
and XS1 is LDS1
and XS2 is LDS2
· ·
· ·
· ·
and XSj is LDSj
· ·
· ·
· ·
and XSn is LDSn
(B) 멤버쉽 함수의 발생
하나의 프로세스 함수 Xi의 멤버쉽 함수를 발생시키기 위한 방법이 아래에 설명될 것이다.
변수 Xi의 퍼지 벨이 LDij(j=1~n이라고 가정)이고, 퍼지 클러스터 데이타 베이스 블럭(7)내에 저장된 변수 Xi의 값은 Dij(j=1~n)으로 표시되고, Dik(k=1~n)은 증가되는 순서에 따라 Dij가 재배열된 것을 나타낸다고 가정하자.
이 경우에, 발생된 멤버쉽 함수는 제8도에 도시되어 있다. 또한, 취급된 변수가 1차원이기 때문에, 퍼지 집합의 소속치가 1.0을 나타낼 때, 그것의 인접한 소속치가 0을 나타내도록 멤버쉽 함수가 발생된다.
(제2의 양호한 실시예)
설명을 간단히 하기 위해, 세레벨라 모델 산술 컴퓨터 시스템(Cerebellar Model Arithmetic Computer)(이하 CMAC라 함)을 사용하여 출력 변수의 멤버쉽 함수를 발생시키는 장치가 설명된다.
제9(c)도는 중량 테이블의 첨주되고 학습 및 어댑티브 퍼지 제어 방법이 사용되는 CMAC의 일반적 개념을 나타낸 것이다.
CMAC에 대한 상세한 설명은 일본 국내 출판된 섹션 1과 섹션 2의 일본국 텍스트복을 참조할 수 있다.
즉, CMAC는 세레벨라 모델 산술컴퓨터의 약자이고 소뇌(cerebellar)의 외피층(corticater)내의 엄청난 양의 신경 세포(neurons)에 의해 형성된 정보 프로세싱 메카니즘의 수학적 모델을 형식으로 나타난다.
CMAC는 아래에 기술된 바와 같은 일련의 멥핑으로 정의된다.
S→M→A→P ‥‥‥‥‥ (1)
여기서 S는 입력 벡터를 나타내고, M은 사용되는 헤파톱시다(리버워트)조직의 집합을 나타내고, A는 M이 연결되는 과립 세포의 집합을 나타내고, P는 출력값을 나타내는 것이다.
CMAC는 노은 차수의 벡터는 일반적으로 낮은 차수의 공간으로의 멥핑으로서 표현될 수 있다는 성질을 이용한 것이다. 바꾸어 말하면, 높은 차수의 벡터는 다수의 낮은 차수의 벡터를 사용하여 표현될 수 있고 낮은 차수의 벡터를 위해 요구되는 함수는 그들의 낮은 레벨로 될 수 있다.
일반적으로, 함수는 독립 변수에 의해 정의된 상태의 집합으로부터 종속 변수에 의해 정의된 상태의 집합으로 맵핑되는 것으로 고려될 수 있다.
f : C→E
이 표현은 “f“는 집합 C를 집합 E로 멥핑하는 관계“라고 잃힌다.
맵핑 관계식으로부터 알 수 있는 바와 같이, 집합 C의 임의의 한 상태에 대하여 집합 E에서의 상태들 중의 하나가 관계식 f에 따라 유도될 수 있다. 또한, 집합 C내의 다수의 점은 집합 E내의 점들 중의 하나로 맵핑될 수 있다.
이제 조작자 h는 입력 S(=s1,s2,s3,…,sN)을 출력 p로 맵핑하는 함수로서의 h라고 가정하면, h는 다음과 같이 표현될 수 있다.
p=h(S) 또는 p=h(=s1,s2,s3,…,sN)
이 표현은 테이블 1에 도시한 바와 같이 도식화될 수 있다. 또한, 출력이 벡터 p라고 가정한다. 조작자는 조작자들 h의 집합으로 표현될 수 있고 다음에 테이블 2에 도시되어 있다.
상술한 바와 같이, 조작자는 어떤 함수를 통하여 입력을 출력으로 맵핑하기 위해 단일의 신경 세포의 조작 또는 신경 세포 군의 조작을 설명할 수 있다. 예를 들어, 단일 신경 세포 조작이 설명되는 경우에, 신경 세포로의 입력은 벡터이고 그것의 출력은 스칼라라고 가정한다.
p=h(S)
또한, 신경 세포 군의 경우에, 입력은 벡터이고 출력 또한 벡터라고 가정한다. 신경 세포 군의 조작은 다음과 같이 설명될 수 있다.
p=H(S)
다음에, 입력 벡터가 S가 2개의 벡터 군 C 및 F로 나누어진다고 가정한다. 이때, 지시에 따른 궤환 정보는 입력으로서 취급될 수 있고 CMAC는 비선형 궤환 제어기로서 다루어질 수 있다.
[수학식 9]
p=WBc+WGh+WLm+WQq=4.0
CMAC는 입력 벡터 S와의 출력 값 P의 맵핑 관계식을 제공한다. CMAC는 과립 세포의 집합내의 중량을 적합화시킴으로써 학습된다. 다음에 이의 절차를 설명한다.
(1) CMAC에 의해 학습될 함수(제어되는 대상의 입/출력 관계식으로 될 수 있음)를 결정한다. 즉, 입력공간 내의 개객의 벡터 S에 관련하여 최종적으로 유도될 벡터 값 P를 결정한다.
(2) 입력 벡터 공간 S, 벡터 공간 P를 갖는 출력에 일점 데이타를 제공함으로서 구동되는 CMAC로 P=H(s)를 계산한다.
(3) P=(p1,p2,p3,…,pN) 및, 모든 원소가이면, CMAC는 합습이 종료되었다는 것을 결정한다.
이면, ζ1이면, δ1은 p1이 유도될 때 사용된 모든 중량 Wij에 부가된다.
CMAC는 함수는 CMAC의 상술한 개념에 따른다.
① 맵핑 S→M
CMAC에서, 상기 표현(1)에서 기술된 입력 벡터 S를 엔코딩시킬 집합 M은 다음식으로 수식화될 수 있다 :
이것은 입력 벡터 S의 모든 원소 S1에 대해, S1의 영역내의 모든 값에 대하여 단지 하나의 집합 m1*이 존재한다면, S1→m1*과 같은 맵핑 관계식이 존재한다는 것을 보여준다.
CMAC에서, 개개의 맵핑 관계식은 양자화 간격의 1/K만큼 서로 떨어진 K개의 양자화 함수로서 정의된다.
1C1, 1C2, …, 1Ck
이제 입력 벡터 S가 S1,S2이고 양자화 간격이 4라고 가정한다. 이때, 양자화 함수는 1C1,1C2,1C3,1C4,2C1,2C2,2C3,2C4이다.
각각의 양자화 함수는 다음과 같이 표현될 수 있다.
1C1=(A,B,C,D)
1C2=(F,G,H,I,J)
1C3=(K,L,M,N,O)
1C4=(P,Q,R,S,T)
2C1=(a,b,c,d,e)
2C2=(f,g,h,i,j)
2C3=(k,l,m,n,o)
2C4=(p,q,r,s,t)
상호 인접한 양자화 함수는 하나의 양자화 단위만큼 쉬프트된 관계를 가지며 4개의 양자화 함수에 의해 발생된 값으로 구성된 어느 한 집합에 대하여 각각 양자화 함수가 존재한다. 예를 들어, s1=7이 집합 m1*=(B,G,L,Q)로 맵핑되고 S2=10이 집합 m2*=(q,c,h,m)으로 맵핑된다.
② 맵핑 M→a
과립 세포는 어떤 헵파톱시다(리버워트) 조직으로부터 입력이 수신되는지에 따라 식별된다. 그 이유는 개개의 과립 세포가 여러 개의 상이한 헤파톱시다(리버워트) 조직을 수신하지만 과립 셀 중의 어느 것도 동일한 입력의 동일한 조합을 갖지 않는다는 것이다. 이것은 입력으로서 과립 세포에 연결된 헤파톱시다(리버워트) 조직의 조합에 대한 간단한 설명이 입력으로의 맵핑 관계식을 갖는 하나의 과립 세포의 명세를 가능하게 하기 때문이다.
2개의 양자화 함수를 구성하는 헤파톱시다(리버워트) 조직의 조합의 예는 5×5=25의 과립 세포를 식별할 수 있다.
입력 변수(S1=7,S2=10)이 2차벡터로 표현된 하나의 헤파토시다(리버워트) 조직으로부터 나타날 때, 선택된 과립 세포는 다음과 같다.
m1*=(B,G,L,Q)
m1*=(g,c,h,m)
입력 벡터는 과립 세포의 집합 Bc,Gh,Lm,Qq를 지정한다. 즉, 입력 벡터 S 입력공간 내의 소정의 점에 인접한 영역에 위치할 때만 중량이 선택된다.
③ 맵핑 A→P
A→P의 맵핑은 입력 벡터 S에 의해 선택된 중량의 합을 취함으로써 실행되고 이것은 스칼라 출력 값 P이다.
선택된 과립 세포의 집합 Bc,Gh,Lm 및 Qq가 테이블 3에 도시된 중량을 갖는다고 가정한다. 이때, 입력 벡터 S=(7,10)이 선택된 과립 세포 A*=(Bc,Gh,Lm,Qq)의 집합으로 맵핑되며 다음 중량만이 선택되고, 이것이 출력 값이다.
WBc=1.0
WGh=2.0
WLm=0.0
WQq=1.0
ζ1은 허용 오차를 나타내고, ζ1은 다음과 같이 계산된다.
, 여기서 g는 매 학습에서 수정된 이득 계수를 나타내고 N은 P1이 유도될 때 사용된 중량의 수를 나타내는 것이다.
그 다음에, CMAC를 사용하는 제2의 양호한 실시예가 제10도 내지 제13도를 참조하여 상세히 설명될 것이다.
제11도에 의해 예시된 CMAC의 입력 변수가(X,Y)이고 출력 변수가(Z)라고 가정한다. 또한, 시스템의 입력 공간이 각 변수에 따라 5개의 열(ranks)로 나누어진다고 가정한다(제10도 참조).
즉, 각 변수의 지지 집합이 5개의 열로 나누어진다.
각각의 나누어진 지지 집합에는 제9(a)도 및 제9(b)로부터 알 수 있는 바와 같이 퍼지 라벨이 첨부된다.
다음에, 제12도에 도시된 입력 공간 내의 마크“·“이 CMAC용 학습 데이타를 나타낸다고 가정하면, 이들 데이타는 CMAC가 인접한 입력 데이타에 대한 보간 결과를 출력하도록 학습된다.
제13도는 나누어진 임의의 입력 공간을 도시한 것이다.
제13도에서, Xi는 입력 변수 X의 임의의 대표적인 퍼지 라벨을 나타내고, Yi는 입력 변수 Y의 임의의 대표적인 퍼지 라벨을 나타내는 것이다.
IF X is Xi AND Yi is Yj THEN Z is Zk와 같은 언어적 퍼지 추론 규정으로 출력변수의 퍼지 라벨(Zk)를 나타내는 멥버쉽 함수의 정점은 (X=Xi,Y=Yi)가 이에 입력될때 CMAC의 출력 값으로서 제공된다.
상술한 이러한 조작이 나누어진 입력 공간의 수(제12도에서, 나누어진 입력 공간 수는 5×5=25)로 반복되면 멥버쉽 함수의 정점들의 지지 집합 상의 값들(vZk : k=1~n)은 출력 변수의 퍼지 라벨(ZK)에 대응하게 된다.
출력 변수의 멤버쉽 함수가 단일이면, vZk의 값은 직접 사용될 수 있다. 출력 변수의 멤버쉽 함수가 퍼지이면, 제10도에 도시된 것과 같은 멤버쉽 함수가 준비되고 퍼지 추론 시스템에 적용되도록 uZk(k=1~25)를 제공하기 위해 증가 차수로 재배열된다.
다음에, CMAC가 제11도에 도시한 바와 같은 다중-입력, 다중-출력 시스템 모델이라고 가정한다.
또한, 압력 변수는 Xi(i=1~N), 출력 변수는 Zj(j=1~M), 제6에 도시된 시스템에 제공될 학습 데이타가 Tk(k=1~S)로 표시된다고 가정한다.
다음에, 입력 변수의 퍼지 라벨은 Liα(α=1~P,i는 변수의 수를 나타낸다고 가정)로 나타내고 출력 멤버쉽 함수의 퍼지 라벨이 Liβ(β=1~Q)로 나타낸다고 가정한다. 퍼지 추론 규정은 IF Xi is Liα THEN Zj is Liβ로서 표현된다.
퍼지 라벨(Liβ) 멥버쉽 함수의 정점들의 값은 vLiβ로 나타나고 Liβ의 값은 증가차수의 uLiβ로서 재배열된다. 결과적으로 멤버쉽 함수가 준비될 수 있다.
지금까지 설명된 바와 같이, 퍼지 규정 및 멥버쉽 함수가 본 발명에 따른 자동발생 장치 및 방법에 의해 제공되기 때문에, 다양한 효과가 달성될 수 있다.
예를 들어, 퍼지 제어 시스템을 구성할 때, 제어 규정 및 멤버쉽 하수를 고려할 필요가 없다.
모든 측정 가능한 데이타가 퍼지 규정에서 사용될 수 있다.
최소 양의 요구된 규정이 제어 시스테을 구성하는데 사용될 수 있고 규정의 수가 감소될 수 있다. 퍼지 평가 함수가 시스템 아키텍쳐를 용이하게 하도록 퍼지 모델에서 기술될 수 있다.
적합한 멤버쉽 함수가 준비될 수 있다.
자동 퍼지 클러스터링 함수는 잘 숙련된 조작자들 사이의 차이를 허용하지 않는다.
본 발명이 보다 용이한 이해를 위해 양호한 실시예와 관련하여 설명되었지만, 본 발명의 원리를 벗어나지 않고서 여러가지 방식으로 실시될 수 있다는 것을 알아야 한다. 그러므로, 본 발명은 첨부된 특허 청구의 범위에서 기술된 발명의 원리를 벗어나지 않고 실시될 수 있는 모든 가능한 실시예 및 수정을 포함하는 것으로 이해되어야 한다.
Claims (13)
- a) 퍼지 추론 시스템의 제어 대상인 프로세스로부터 제1데이타를 수집하고 상기 제1데이타를 자신의 프로세스 데이타 임시 영역 내에 저장하기 위한 프로세스 데이타 수집 블럭 ; b) 상기 프로세스 데이타 수집 블럭의 임시 영역 내에 저장된 상기 프로세스 제1데이타에 기초하여 프로세스로부터 직접 측정될 수 없는 제2데이타를 계산하고, 상기 계산된 제2데이타를 자신의 프로세스된 데이타 임시 영역내에 저장하기 위한 데이타 프로세싱 블럭 ; c) 상기 프로세스 데이타 수집 블럭 및 데이타 프로세싱 블럭의 각각의 임시 영역 내에저장된 상기 제1 및 제2데이타로부터 프로세스 데티아 베이스를 발생시키기 위한 프로세스 데이타 베이스 발생 블럭 ; d) 상기 프로세스 데이타 베이스 발생 블럭 내에 발생된 제3데이타 및 퍼지 평가 함수를 수신하고 퍼지 클러스터 데이타 베이스를 발생시키도록 상기 프로세스 데이타 베이스로부터 상기 퍼지 평가 함수를 만족시키는 상태 공간을 검출하기 위한 퍼지 클러스터 데이타 베이스 발생 블럭; e) 퍼지 라벨을 상기 퍼지 클러스터 데이타 베이스 발생 블럭에서 발생된 퍼지 클러스터 데이타 베이스 내에 저장된 각각의 입력 및 출력 변수의 데이타에 부가하고, IF~THEN~의 형태로 퍼지 추론 규정을 발생시키고 상기 발생된 퍼지 추론 규정을 퍼지 추론 규정 파일 내에 저장하기 위한 퍼지 규정 발생기; 및 f) 상기 퍼지 클러스터 데이타 베이스 발생 블럭에 의해 발생된 데이타 베이스를 사용하여 상기 각 변수의 퍼지 라벨에 대응하는 멤버쉽 함수를 함수를 발생시키고 상기 발생된 멤버쉽 함수를 멤버쉽 함수 파일 내에 저장하기 위한 멤버쉽 함수 발생기를 포함하며 상기 프로세스 데이타 발생 블럭이 X1-Xn의 N-차 차원 공간 내의 프로세스의 동적 특성 행렬을 포함하는 행렬의 형태로 프로세스 데이타를 저장하고, X1,…,Xi…,Xn은 프로세스 변수를 나타내는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제1항에 있어서, 상기 퍼지 평가 함수는 다음과 같이 프로세스의 최적 상태를 나타내도록 표현되고 ;F(s)=F1(s) Vf2(s) V…Vfi(s) (f)…VfN(s)fi(s)=αi·[1∧[Xk(Dks)](k=a~b)여기서 F(s)는 종합적 퍼지 평가 함수 를 나타내고, f1(s)는 공간 i의 퍼지 평가 함수를 나타내며, αi는 F(s)에 대한 f1(s)의 기여도를 나타내고, Xk는 공간 i내의 퍼지 평가를 위한 프로세스 변수를 나타내고, Dks는 Dk의 퍼지 평가 값을 나타내며, V는 OR연산자를 나타내고 ∧는 AND 연산자를 나타내는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제2항에 있어서,상기 퍼지 발생기는 다음과 같이 각각의 퍼지 규정을 발생시키고 :R : IF XP1 is LDP1and XP2 is LDP2· ·· ·· ·and XPj is LDPj· ·· ·· ·and XPn is LDPnTHEN XS1 is LDS1and XS2 is LDS2· ·· ·· ·and XSj is LDSj· ·· ·· ·and XSn is LDSn여기서 XP=XP1,XP2,…,XPj,…XPn이고, 상기 입력 변수 및 프로세스 데이타를 나타내고 ; XS=XS1,XS2,…XSj,…,XSn이고 상기 출력 변수 및 프로세스의 조작 데이타를 나타내고, XP 및 XS는 다음과 같이 유도되며 ;XP=DP1,DP2,…,DPi,…,DPnXS=DS1,DS2,…,DSi,…,DSn여기서 DP1,DP2,DPi,DPn 은 상기 퍼지 클러스터 데이타 베이스 발생 블럭내에 저장된 각각의 입력 변수(XP)의 데이타 집합을 나타내고 DS1,DS2,DSi,DSn 은 상기 퍼지 클러스터 데이타 베이스 발생 블럭내에 저장된 각각의 출력 변수의 데이타 집합을 나타내며, LDP 및 LDS는 (XP,XS)에 관련한 값(DP,DS)를 의한 퍼지 라벨이고 다음과 같이LDP=LDP1,LDP2,…,LDPj,…,LDPn;SLDP=LDP1,LDP2,…,LDSj,…,LDSn표현되는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제3항에 있어서, 상기 멤버쉽 함수 발생 블럭은 삼각형의 형태로 각각의 상기 멤버쉽 함수를 발생시키는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제4항에 있어서, 상기 멤버쉽 함수 발생 블록은 a) 각 퍼지 추론 입력 변수를 위해 클러스터된 입력 공간 모두에 대한 학습 데이타를 저장하기 위한 학습 메모리를 갖고 있는 컴퓨터 시스템에 의해 구성된 입력 시스템; 및b) 각 입력 변수에 대한 퍼지 라벨을 결정하고, 상기 결정된 퍼지 라벨에 따라 상기 각 입력 변수의 지지 집합을 나누고, 상기 나누어진 지지 집합의 수에 따라 상기 컴퓨터 시스템의 중량 테이블을 결정하여 저장하고, 상기 입력 변수의 퍼지 라벨의 각 대표점이 상기 입력 변수를 위한 대표점에 대응하는 하나 이상의 출력 값을 자동적으로 유도하기 위해서 상기 컴퓨터 시스템에 입력되도록, 상기 각 입력 변수의 퍼지 라벨, 상기 중량 테이블 및 상기 나누어진 지지 집합의 수에 기초하고 상기 합습 데이타를 학습시키기 위한, 상기 컴퓨터 시스템에 의해 구성된 출력 의해 구성된 출력 시스템으로서 상기 출력 시스템의 멤버쉽 함수를 형성하도록 상기 출력 값을 퍼지화하기 위해 상기 출력 변수에 상기 퍼지 라벨을 제공하기 위한 출력 시스템을 포함하는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- a) 각 퍼지 추론 입력 변수를 위해 클러스터된 입력 공간 모두에 대한 학습 데이타를 저장하기 위한 학습 메모리를 갖고 있는 컴퓨터 시스템에 의해 구성된 입력 시스템 ; 및 b) 각 입력 변수에 대한 퍼지 라벨을 결정하고, 상기 결정된 퍼지 라벨에 따라 상기 각 입력 변수의 지지 집합을 나누고, 상기 나누어진 지지집합의 수에 따라 상기 컴퓨터 시스템의 중량 테이블을 결정하여 저장하고, 상기 입력 변수의 퍼지 라벨의 각 대표점이 상기 입력 변수를 위한 대표점에 대응하는 하나 이상의 출력값을 자동적으로 유도하기 위해서 상기 컴퓨터 시스템에 입력되도록 상기 각 입력변수의 퍼지 라벨, 상기 중량 테이블 및 상기 나누어진 지지 집합의 수에 기초하고 상기 학습 데이타를 사용하여 상기 컴퓨터 시스템을 학습하기 위한, 상기 컴퓨터 시스템에 의해 구성된 출력 시스템으로서 상기 출력 시스템의 멤버쉽 함수를 형성하도록 상기 출력 값을 퍼지화하기 상기 출력 변수에 상기 퍼지 라벨을 제공하기 위한 출력 시스템을 포함하는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제6항에 있어서, 상기 컴퓨터 시스템은 상기 발생된 멤버쉽 함수를 최적화시키도록 학습 함수 및 어댑티브 제어 함수를 갖는 CMAC(쎄레벨라 모델 산수 컴퓨터 시스템)을 포함하는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제7항에 있어서, 상기 입력 시스템의 입력 변수는 5개의 열(ranks)로 나누어지고 Xi 및 Yj로 표시되고, 여기서 i는 1 내지 5의 정수를 나타내고, j는 1 내지 5의 정수를 나타내며, 상기 출력 시스템의 출력 변수는 Zk로 표시되는 것을 특징으로 하는 퍼지 추론 시스템용 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제8항에 있어서, 상기 출력 변수의 퍼지 라벨을 나타내는 상기 멤버쉽 함수의 정저은(Xi,Yi)가 상기 CMAC에 입력될 때 상기 CMAC의 출력 변수로부터 제공되는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제9항에 있어서, 상기 출력 변수용 퍼지 라벨에 대응하는 상기 멤버쉽 함수(vZk : k는 1 내지 i×j)의 정점의 각각의 값은 상기 CMAC로의 (Xi,Yi)의 입력을 반복할 때 유도되는 것을 특징으로 하는 퍼지 추론 시스템용 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제10항에 있어서, 상기 출력 변수용 각 멤버쉽 함수가 단일일때, vZk는 상기 출력 시스템의 출력 변수의 멤버쉽 함수로서 직접 사용되는 것을 특징으로 하는 퍼지 추론 시스템에 공급될 퍼지 규정 및 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 제11항에 있어서, 상기 출력 변수용 각 멤버쉽 함수가 퍼지 집합일 때, vZk는 uZk로서 증가 차수로 재배열되는 것을 특징으로 하는 퍼지 추론 시스템용 멤버쉽 함수를 자동적으로 발생시키기 위한 장치.
- 퍼지 추론 시스템용 멤버쉽 함수를 자동적으로 발생시키기 위한 방법에 있어서, a)(각 퍼지 추론 입력 변수를 위해 클러스터된 입력 공간 내의 퍼지 추론 입력변수를 포함하는 학습 데이타를 저장하는 단계 ; b) 상기 각 입력 변수에 대한 퍼지 라벨을 결정하는 단계 ; c) 상기 결정된 퍼지 라벨에 따라 상기 각 입력 변수의 지지 집합을 나누는 단계 ; d) 상기 나누어진 지지 집합의 수에 따라 컴퓨터 시스템내의 중량 테이블을 결정하여 저장하는 단계 ; e) 상기 입력 변수의 퍼지 라벨의 각 대표 점이 상기 입력 변수에 대한 대표점에 대응하는 하나 이상의 출력값을 자동적으로 유도하기 위해서 상기 퍼지 추론 시스템에 입력되도록 상기 각 입력 변수의 퍼지 라벨, 상기 중량 테이블 및 상기 나누어진 지지 집합의 수에 기초하고 상기 합습 데이타를 사용하여 상기 퍼지 추론 시스템을 학습시키는 단계 ; f) 상기 출력 시스템의 멤버쉽 함수를 형성하도록 상기 출력 값을 퍼지화하기 위해 상기 출력 변수에 상기 퍼지 라벨을 제공하는 단계 ; 및 실질적으로 최적인 시스템에 대한 퍼지 평가 함수를 만족시키는 데이타를 포함하는 데이타 베이스로부터 상기 a)단계에서 저장된 상기 학습 데이타를 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3145712A JPH04369040A (ja) | 1991-06-18 | 1991-06-18 | ファジィルールおよびメンバーシップ関数の自動生成装置 |
| JP91-145712 | 1991-06-18 | ||
| JP92-115585 | 1992-05-08 | ||
| JP4115585A JPH05313903A (ja) | 1992-05-08 | 1992-05-08 | メンバーシップ関数自動生成システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR930001059A KR930001059A (ko) | 1993-01-16 |
| KR950007882B1 true KR950007882B1 (ko) | 1995-07-21 |
Family
ID=26454078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1019920010571A Expired - Fee Related KR950007882B1 (ko) | 1991-06-18 | 1992-06-18 | 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5422984A (ko) |
| KR (1) | KR950007882B1 (ko) |
| TW (1) | TW297107B (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100949801B1 (ko) * | 2008-04-17 | 2010-03-30 | 한국전자통신연구원 | 퍼지볼트 시스템에서의 다항식 복원장치 및 그 방법 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5680606A (en) * | 1991-09-30 | 1997-10-21 | Omron Corporation | Apparatus and method for creating membership functions |
| US5802509A (en) * | 1993-09-21 | 1998-09-01 | Hitachi, Ltd. | Rule generation system and method of generating rule |
| JPH0877010A (ja) * | 1994-09-07 | 1996-03-22 | Hitachi Ltd | データ分析方法および装置 |
| US5788640A (en) * | 1995-10-26 | 1998-08-04 | Peters; Robert Mitchell | System and method for performing fuzzy cluster classification of stress tests |
| US5822740A (en) * | 1996-06-28 | 1998-10-13 | Honeywell Inc. | Adaptive fuzzy controller that modifies membership functions |
| US6094646A (en) * | 1997-08-18 | 2000-07-25 | Siemens Aktiengesellschaft | Method and apparatus for computerized design of fuzzy logic rules from training data vectors of a training dataset |
| JP3614863B2 (ja) * | 1997-11-19 | 2005-01-26 | 株式会社山武 | 類別モデル生成方法及び記録媒体 |
| WO1999048017A2 (de) * | 1998-03-18 | 1999-09-23 | Siemens Aktiengesellschaft | Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion |
| JP2002236905A (ja) * | 2001-02-09 | 2002-08-23 | Yamaha Motor Co Ltd | 学習演算装置及びそれを用いた多入力制御装置 |
| US7831913B2 (en) * | 2005-07-29 | 2010-11-09 | Microsoft Corporation | Selection-based item tagging |
| TWI415015B (zh) * | 2010-02-05 | 2013-11-11 | Univ Ishou | Fuzzy rule making device and method |
| US10838376B2 (en) * | 2015-09-10 | 2020-11-17 | I.Systems Automação Industrial S.A | Method of generating fuzzy knowledge base for a programmable fuzzy controller |
| CN111950730B (zh) * | 2020-07-31 | 2024-07-26 | 上海卫星工程研究所 | 基于模糊推理单元的航天器结构在轨健康监测方法及系统 |
| CN112182143B (zh) * | 2020-09-29 | 2023-08-25 | 平安科技（深圳）有限公司 | 产品智能推荐方法、装置、计算机设备和存储介质 |
| CN115375455A (zh) * | 2022-08-26 | 2022-11-22 | 中国工商银行股份有限公司 | 一种企业金融风险评估风险方法及装置 |
| CN118466413B (zh) * | 2024-05-06 | 2025-02-11 | 国家电投集团江西电力有限公司分宜发电厂 | 基于模糊逻辑的电厂无人值守设备控制方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4193115A (en) * | 1977-12-15 | 1980-03-11 | The United States Of America As Represented By The Secretary Of Commerce | Method and apparatus for implementation of the CMAC mapping algorithm |
| EP0337423B1 (en) * | 1988-04-13 | 1995-10-18 | Hitachi, Ltd. | Process control method and control system |
| US5189728A (en) * | 1988-08-18 | 1993-02-23 | Omron Tateisi Electronics Co. | Rule generating and verifying apparatus for fuzzy control |
| US5267348A (en) * | 1990-03-09 | 1993-11-30 | Hitachi, Ltd. | Method and system for evaluating and modifying fuzzy knowledge |
| US5295061A (en) * | 1990-04-20 | 1994-03-15 | Sanyo Electric Co., Ltd. | Control parameter tuning unit and a method of tuning parameters for a control unit |
-
1992
- 1992-05-13 TW TW081103715A patent/TW297107B/zh active
- 1992-06-17 US US07/899,743 patent/US5422984A/en not_active Expired - Lifetime
- 1992-06-18 KR KR1019920010571A patent/KR950007882B1/ko not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100949801B1 (ko) * | 2008-04-17 | 2010-03-30 | 한국전자통신연구원 | 퍼지볼트 시스템에서의 다항식 복원장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR930001059A (ko) | 1993-01-16 |
| US5422984A (en) | 1995-06-06 |
| TW297107B (ko) | 1997-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR950007882B1 (ko) | 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 | |
| Khoshgoftaar et al. | A neural network approach for predicting software development faults | |
| Linkens et al. | Input selection and partition validation for fuzzy modelling using neural network | |
| Chiang et al. | A self-learning fuzzy logic controller using genetic algorithms with reinforcements | |
| US6119112A (en) | Optimum cessation of training in neural networks | |
| US5924085A (en) | Stochastic encoder/decoder/predictor | |
| Lin et al. | A neural fuzzy system with linguistic teaching signals | |
| US5025499A (en) | Process control method and control system | |
| Kim et al. | Integration of inductive learning and neural networks for multi-objective FMS scheduling | |
| KR20190018885A (ko) | 중첩 신경망을 프루닝하는 방법 및 장치 | |
| CN110751267B (zh) | 神经网络的结构搜索方法、训练方法、装置及存储介质 | |
| Kohn | A declarative theory for rational controllers | |
| Mendes et al. | Automatic extraction of the fuzzy control system for industrial processes | |
| Nakoula et al. | Simultaneous learning of rules and linguistic terms | |
| CN111595401A (zh) | 管道气体测量系统、方法和存储介质 | |
| CN116503029A (zh) | 用于自动驾驶的模块数据协同处理方法及系统 | |
| GIUSTOLISI et al. | A novel genetic programming strategy: evolutionary polynomial regression | |
| Michels | A model-based fuzzy controller | |
| JPH05265512A (ja) | 学習型制御装置およびファジィ推論装置 | |
| Huaguang et al. | A multivariable generalized predictive control approach based on T–S fuzzy model | |
| Van Tinh | A new refined forecasting model based on the high-order time-variant fuzzy relationship groups and particle swam optimization | |
| JPH0619876A (ja) | 事例ベース推論を用いた気流シミュレータ | |
| JPS63302318A (ja) | 原子力発電所の運転計画作成支援装置 | |
| US20210142801A1 (en) | Determining a controller for a controlled system | |
| JP3292495B2 (ja) | ニューロ・ファジィ融合システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
St.27 status event code: A-0-1-A10-A12-nap-PA0109 |
|
| PA0201 | Request for examination |
St.27 status event code: A-1-2-D10-D11-exm-PA0201 |
|
| R17-X000 | Change to representative recorded |
St.27 status event code: A-3-3-R10-R17-oth-X000 |
|
| PG1501 | Laying open of application |
St.27 status event code: A-1-1-Q10-Q12-nap-PG1501 |
|
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
St.27 status event code: A-1-2-D10-D21-exm-PE0902 |
|
| T11-X000 | Administrative time limit extension requested |
St.27 status event code: U-3-3-T10-T11-oth-X000 |
|
| T11-X000 | Administrative time limit extension requested |
St.27 status event code: U-3-3-T10-T11-oth-X000 |
|
| P11-X000 | Amendment of application requested |
St.27 status event code: A-2-2-P10-P11-nap-X000 |
|
| P13-X000 | Application amended |
St.27 status event code: A-2-2-P10-P13-nap-X000 |
|
| G160 | Decision to publish patent application | ||
| PG1605 | Publication of application before grant of patent |
St.27 status event code: A-2-2-Q10-Q13-nap-PG1605 |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
St.27 status event code: A-1-2-D10-D22-exm-PE0701 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
St.27 status event code: A-2-4-F10-F11-exm-PR0701 |
|
| PR1002 | Payment of registration fee |
St.27 status event code: A-2-2-U10-U11-oth-PR1002 Fee payment year number: 1 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 4 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 5 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 6 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 7 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20030529 Year of fee payment: 9 |
|
| PR1001 | Payment of annual fee |
St.27 status event code: A-4-4-U10-U11-oth-PR1001 Fee payment year number: 9 |
|
| LAPS | Lapse due to unpaid annual fee | ||
| PC1903 | Unpaid annual fee |
St.27 status event code: A-4-4-U10-U13-oth-PC1903 Not in force date: 20040722 Payment event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE |
|
| PC1903 | Unpaid annual fee |
St.27 status event code: N-4-6-H10-H13-oth-PC1903 Ip right cessation event data comment text: Termination Category : DEFAULT_OF_REGISTRATION_FEE Not in force date: 20040722 |
|
| R18-X000 | Changes to party contact information recorded |
St.27 status event code: A-5-5-R10-R18-oth-X000 |
|
| P22-X000 | Classification modified |
St.27 status event code: A-4-4-P10-P22-nap-X000 |