RU2504002C1 - Modified fuzzy rule intelligent controller - Google Patents
Modified fuzzy rule intelligent controller Download PDFInfo
- Publication number
- RU2504002C1 RU2504002C1 RU2012146338/08A RU2012146338A RU2504002C1 RU 2504002 C1 RU2504002 C1 RU 2504002C1 RU 2012146338/08 A RU2012146338/08 A RU 2012146338/08A RU 2012146338 A RU2012146338 A RU 2012146338A RU 2504002 C1 RU2504002 C1 RU 2504002C1
- Authority
- RU
- Russia
- Prior art keywords
- block
- neural network
- control
- output
- input
- Prior art date
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
Изобретение относится к интеллектуальным контроллерам, использующим принцип обучения с подкреплением, нечеткую логику, и может использоваться для управления сложными системами в недетерминированной среде.The invention relates to intelligent controllers using the principle of reinforcement learning, fuzzy logic, and can be used to control complex systems in a non-deterministic environment.
Известен интеллектуальный контроллер на основе сетей адаптивных критиков, например патент США 5448681, МПК G06F 15/18. Данное устройство состоит из объекта управления, сети критика и управляющей нейронной сети. Выход объекта управления связан с первым входом сети критики и первым входом управляющей нейронной сети, выход управляющей нейронной сети связан с входом объекта управления и вторым входом сети критики, выход сети критики связан со вторым входом управляющей нейронной сети.Known intelligent controller based on networks of adaptive critics, for example, US patent 5448681, IPC G06F 15/18. This device consists of a control object, a critic network and a control neural network. The output of the control object is connected to the first input of the criticism network and the first input of the control neural network, the output of the control neural network is connected to the input of the control object and the second input of the criticism network, the output of the criticism network is connected to the second input of the control neural network.
Принцип работы устройства по патенту США 5448681, МПК G06F 15/18 следующий: объект управления выдает сигнал о своем состоянии, сеть критики вычисляет подкрепление для текущей временной итерации и состояния объекта, управляющая нейронная сеть вычисляет управляющее воздействие с учетом подкрепления.The principle of operation of the device according to US patent 5448681, IPC G06F 15/18 is as follows: the control object gives a signal about its state, the critique network calculates the reinforcement for the current time iteration and the state of the object, the control neural network calculates the control action taking into account the reinforcement.
Общий недостаток устройств на основе сетей адаптивных критиков состоит в том, что этот алгоритм не является обобщенным и достаточным для построения универсальной адаптивной системы управления объектом, действующим в недетерминированной среде, чтобы убедиться в этом, достаточно взглянуть на количество методов реализации и структур (DHP, HDP, ВАС, GDHP, FACL, GlFACL и другие). К недостаткам можно отнести, так как система должна управляться в режиме реального времени, большее количество вычислений. Также к недостаткам можно отнести то, что система управления, построенная на базе адаптивного критика, не может радикально менять свое поведение и вырабатывать новые реакции при абсолютно новых, неизвестных данных о состоянии окружающей среды и объекта управления (D.Prokhorov, D.Wanch. Adaptive critic designs. IEEE transactions on Neural Networks, September 1997, pp.997-1007).A common drawback of devices based on networks of adaptive critics is that this algorithm is not generalized and sufficient for constructing a universal adaptive control system for an object operating in a non-deterministic environment, to verify this, just look at the number of implementation methods and structures (DHP, HDP , BAC, GDHP, FACL, GlFACL and others). The disadvantages include, since the system must be controlled in real time, a large number of calculations. The disadvantages include the fact that the control system, built on the basis of adaptive criticism, cannot radically change its behavior and generate new reactions with completely new, unknown data on the state of the environment and the control object (D.Prokhorov, D.Wanch. Adaptive critic designs. IEEE transactions on Neural Networks, September 1997, pp. 997-1007).
Наиболее близким техническим решением является «интеллектуальный контроллер с нейронной сетью и правилами самомодификации» по патенту РФ №2266558, МПК G06F 9/00. Контроллер по данному патенту состоит из объекта управления, обучающей нейронной сети, управляющей нейронной сети, блока коэффициента эффективности, блока правил самообучения управляющей нейронной сети, блока истории работы системы. Выходы состояния и действия объекта управления связаны с первым и вторым входами управляющей нейронной сети, выход управляющей нейронной сети связан с входом объекта управления. Выходы действия и состояния объекта управления также связаны с первым и вторым входами блока коэффициента эффективности. Блок коэффициента эффективности связан с первым входом обучающей нейронной сети, второй вход обучающей нейронной сети связан с первым выходом блока истории работы системы, который также связан со вторым входом блока правил самообучения управляющей нейронной сети. Блок истории работы системы по первому и второму входам соединен с объектом управления, а по третьему входу с блоком правил самообучения управляющей нейронной сети. Второй выход блока истории работы системы связан с выходом управляющей нейронной сети, третий и четвертый выходы связаны с первым и вторым входами управляющей нейронной сети. Выход обучающей нейронной сети связан с первым входом блока правил самообучения управляющей нейронной сети. На более детальных схемах также присутствуют блоки: блок функции коэффициента эффективности, стек коэффициента эффективности, стек параметра адаптации и стек работы объекта управления, а также связи между ними и вышеописанными блоками. В качестве управляющей и обучающей нейронных сетей используется многослойный персептрон. В качестве метода обучения обучающей и управляющей нейронных сетей авторами рекомендуется метод обратного распространения ошибки.The closest technical solution is an “intelligent controller with a neural network and self-modification rules” according to RF patent No. 2266558, IPC
Принцип работы устройства по патенту РФ №2266558, МПК G06F 9/00 следующий: объект управления выдает сигналы состояния и действия для управляющей нейронной сети, блока коэффициента эффективности и блока истории работы системы. Блок коэффициента эффективности вычисляет коэффициент эффективности на текущем цикле управления и динамику изменения коэффициента эффективности по сравнению с предыдущими циклами. Управляющая нейронная сеть, если коэффициент эффективности больше и равен заданного коэффициента эффективности, вычисляет управляющее воздействие согласно текущим правилам управления. Обучающая нейронная сеть получает данные об изменении коэффициента эффективности и применяет правила обучения обучающей нейронной сети в случае, если коэффициент эффективности меньше заданного. На выходе получаются новые значения параметров адаптации. Блок правил самообучения управляющей нейронной сети на основании изменения параметров адаптации, если коэффициент эффективности меньше заданного, изменяет правила самообучения управляющей нейронной сети. Управляющая нейронная сеть, если коэффициент эффективности меньше заданного, дообучается по измененным правилам. После дообучения управляющая нейронная сеть вырабатывает сигнал управления. Необходимые параметры работы заносятся в стеки.The principle of operation of the device according to the patent of the Russian Federation No. 2266558, IPC G06F 9/00 is as follows: the control object generates status and action signals for the control neural network, the efficiency coefficient block and the system history block. The efficiency factor block calculates the efficiency coefficient for the current control cycle and the dynamics of the efficiency coefficient change compared to previous cycles. The control neural network, if the efficiency coefficient is greater than and equal to the specified efficiency coefficient, calculates the control action according to the current control rules. The training neural network receives data on changes in the efficiency coefficient and applies the training rules for the training neural network in case the efficiency coefficient is less than the specified one. At the output, new values of adaptation parameters are obtained. The self-learning rules block of the controlling neural network based on changes in adaptation parameters, if the efficiency coefficient is less than the specified one, changes the self-learning rules of the controlling neural network. The controlling neural network, if the efficiency coefficient is less than the specified one, is retrained according to the changed rules. After further training, the control neural network generates a control signal. The necessary work parameters are entered into the stacks.
Недостатками данного контроллера являются недостаточные адаптационные свойства, невозможность изменения правил самообучения обучающей нейронной сети, ограниченное изменение правил самообучения управляющей нейронной сети.The disadvantages of this controller are insufficient adaptive properties, the impossibility of changing the rules of self-learning of a training neural network, a limited change in the rules of self-learning of a controlling neural network.
Задача - разработка модифицированного интеллектуального контроллера с нечеткими правилами.The task is to develop a modified intelligent controller with fuzzy rules.
Техническим результатом предлагаемого устройства является повышение адаптационных свойств системы управления на базе интеллектуального контроллера.The technical result of the proposed device is to increase the adaptive properties of the control system based on an intelligent controller.
Технический результат достигается тем, что в интеллектуальном контроллере с нечеткими правилами, содержащем объект управления, блок коэффициента эффективности, блок правил самообучения управляющей нейросети, блок истории работы системы, управляющую нейросеть, выход которой связан с входом объекта управления, первый и второй выходы объекта управления связаны соответственно с первым и вторым входами блока коэффициента эффективности, первым и вторым входами блока истории работы системы, первым и вторым входами управляющей нейросети, первый выход блока истории работы системы связан со вторым входом блока правил самообучения управляющей нейросети, третий и четвертый выходы связаны со вторым и первым входами управляющей нейросети, выход блока правил самообучения управляющей нейросети связан с четвертым входом блока истории работы системы, введены блок фаззификации, блок нечеткого вывода, блок дефаззификации, причем выход блока коэффициента эффективности связан с первым входом блока фаззификации, первый выход блока истории работы системы также связан со вторым входом блока фаззификации, выход блока фаззификации связан с входом блока нечеткого вывода, выход блока нечеткого вывода связан с входом блока дефаззификации, выход блока дефаззификации связан с первым входом блока правил самообучения управляющей нейросети и третьим входом блока истории работы системы, второй выход блока истории работы системы связан с третьим входом блока правил самообучения управляющей нейросети, пятый выход блока истории работы системы связан с третьим входом управляющей нейросети, а выход управляющей нейросети также связан с пятым входом блока истории работы системы.The technical result is achieved by the fact that in an intelligent controller with fuzzy rules containing a control object, an efficiency coefficient block, a self-learning rule block for a control neural network, a system operation history block, a control neural network whose output is connected to the control object input, the first and second outputs of the control object are connected respectively, with the first and second inputs of the efficiency coefficient block, the first and second inputs of the system operation history block, the first and second inputs of the control neural network, ne The first output of the system operation history block is connected to the second input of the control neural network self-learning rules block, the third and fourth outputs are connected to the second and first control neural network self-learning rules block, the output of the control neural network self-learning rules block is connected to the fourth input of the system operation history block, fuzzification block, fuzzy block are introduced output, defazzification unit, and the output of the efficiency coefficient block is connected to the first input of the fuzzification block, the first output of the system history block is also connected to the second input fuzzification unit, the output of the fuzzification unit is connected to the input of the fuzzy output unit, the output of the fuzzy output unit is connected to the input of the defuzzification unit, the output of the defuzzification unit is connected to the first input of the self-learning rules block of the control neural network and the third input of the system history block, the second output of the system operation history block is connected with the third input of the self-learning rules block of the control neural network, the fifth output of the system history block is connected to the third input of the control neural network, and the output of the control neural network is also connected associated with the fifth block input history of the system.
Задача повышения адаптационных свойств достигается за счет введения блоков фаззификации, блока нечеткого вывода и блока дефаззификации, которые реализуют нечеткий вывод адаптационного параметра. За счет данных блоков повышаются адаптационные свойства интеллектуального контроллера.The task of improving the adaptive properties is achieved by introducing fuzzification blocks, a fuzzy inference block and a defuzzification block, which realize the fuzzy derivation of the adaptation parameter. Due to these blocks, the adaptive properties of the intelligent controller are enhanced.
Таким образом, совокупность существенных признаков, изложенных в формуле изобретения, позволяет достигнуть желаемый результат.Thus, the set of essential features set forth in the claims, allows to achieve the desired result.
На фиг.1 изображена общая схема интеллектуального контроллера с нечеткими правилами, на фиг.2 показана схема блока коэффициента эффективности, на фиг.3 показана схема взаимодействия блока правил самообучения управляющей нейросети и блока истории работы системы, на фиг.4 показана схема нечеткого вывода коэффициента степени уверенности, на фиг.5 показана управляющая нейронная сеть в разрезе нейронов.Figure 1 shows a general diagram of an intelligent controller with fuzzy rules, figure 2 shows a block diagram of a coefficient of efficiency, figure 3 shows a diagram of an interaction of a block of self-learning rules of a controlling neural network and a block of a history of system operation, figure 4 shows a diagram of a fuzzy derivation of a coefficient degree of confidence, figure 5 shows the control neural network in the context of neurons.
Система состоит из нескольких структурных компонент: объекта управления 1, блока коэффициента эффективности 2, блока фаззификации 3, блока нечеткого вывода 4, блока дефаззификации 5, блока правил самообучения управляющей нейросети 6, блока истории работы системы 7, управляющей нейросети 8.The system consists of several structural components: a
Блок коэффициента эффективности состоит из блока формулы коэффициента эффективности 9 и стека коэффициента эффективности 10.The block of the efficiency coefficient consists of the block of the formula of the coefficient of
Блок истории работы системы состоит из стека параметров адаптации 11 и стека работы объекта управления 12.The system operation history block consists of a stack of
Также в системе присутствуют следующие связи: от объекта управления идут сигналы состояния 13 и действия 14, соответственно на блок формулы коэффициента эффективности 13.1 и 14.1, на стек работы объекта управления 13.2 и 14.2 и на управляющую нейросеть 13.3 и 14.3.The following connections are also present in the system: state signals 13 and actions 14 are sent from the control object, respectively to the block of the efficiency coefficient formula 13.1 and 14.1, to the work stack of the control object 13.2 and 14.2 and to the control neural network 13.3 and 14.3.
От блока формулы коэффициента эффективности идет сигнал 15 соответственно 15.1 на блок фаззификации и 15.2 на стек коэффициента эффективности, от блока фаззификации идет сигнал 16 на блок нечеткого вывода, от блока нечеткого вывода идет сигнал 17 на блок дефаззификации. От блока фаззификации идет сигнал 18, соответственно на стек параметров адаптации 18.1 и блок правил самообучения управляющей нейросети 18.2. От стека параметров адаптации идет сигнал 19 соответственно на блок правил самообучения управляющей нейросети 19.1 и блок фаззификации 19.2. От стека работы управляющей нейросети идут сигналы 20.1 и 20.2 на блок правил самообучения управляющей нейросети, а от стека работы управляющей нейросети идет сигнал 21 соответственно - 21.1 на стек параметров адаптации и 21.2 на стек работы объекта управления. От выхода управляющей нейросети идет сигнал 22 на стек работы объекта управления. От блока истории работы системы идут сигналы - 23 на управляющую нейросеть, 24 и 25 на входы управляющей нейросети. От управляющей нейросети идет сигнал управления 26 на объект управления.From the block of the formula for the coefficient of efficiency, there is a signal 15, respectively, 15.1 to the block of fuzzification and 15.2 to the stack of the coefficient of efficiency, from the block of fuzzification, signal 16 to the block of fuzzy output, from the block of fuzzy output, signal 17 to the block of defuzzification.
Блок фаззификации состоит из узлов входных термов 27, количество которых равно количеству учитываемых итераций по коэффициенту эффективности и адаптационным параметрам. Блок нечеткого вывода состоит из Т-узлов 28, N-узлов 29 и узлов нормализации силы правил 30. Т-узлы связаны с N-узлами сигналами 31, а с узлами нормализации силы правил сигналами 32. N-узлы связаны с узлами нормализации силы правил сигналами 33.The fuzzification unit consists of nodes of input terms 27, the number of which is equal to the number of iterations taken into account in terms of efficiency coefficient and adaptation parameters. The fuzzy inference block consists of T-nodes 28, N-nodes 29 and rule force normalization nodes 30. T-nodes are connected to N-nodes by signals 31, and rule normalization nodes by signals 32. N-nodes are connected to rule force normalization nodes signals 33.
Управляющая нейросеть состоит из слоя входных нейронов 34, скрытых слоев нейронов 35, выходного слоя нейронов 36. Входной слой нейронов соединен с первым скрытым слоем связями 37.1, скрытые слои соединены между собой связями 37.2…37.F+1, а последний скрытый слой соединен с выходным слоем нейронов связями 37.F+2.The control neural network consists of a layer of
Количество нейронов во входном слое 34 управляющей нейронной сети 8 равно R+N, где R - размерность вектора состояния, а N - размерность вектора действия объекта управления. Нейроны на фиг.5 помечены как 34.1-34.R - входы по вектору состояния, 34.R+1-34.R+N - входы по вектору действия. У управляющей нейросети может быть F скрытых слоев, количество которых задается разработчиком (рекомендованное значение F=2), соответственно скрытые слои обозначены как 35.1-35.F, а количество нейронов в скрытых слоях обозначено 35.1.1-35.1.K в первом скрытом слое и 35.F.1-35.F.L - в последнем скрытом слое. Количество нейронов в выходном слое 36 равно размерности вектора управления объекта управления и они обозначены 36.1-36.М. Числа R, N, F, K, L, M, Z подбираются из условия решаемой задачи интеллектуальным контроллером.The number of neurons in the
Блок формулы коэффициента эффективности 9 предназначен для расчета коэффициента эффективности системы. Коэффициент эффективности - это безразмерная величина, которая показывает насколько хорошо или плохо работает система в целом или по определенному параметру. Формула вычисления коэффициента эффективности задается разработчиком.The block of the formula for the coefficient of
Стек коэффициента эффективности 10 предназначен для хранения значений коэффициента эффективности на предыдущих итерациях управления.The
Блок фаззификации 3 предназначен для вычисления степеней функций принадлежности.
Блок нечеткого вывода 4 предназначен для вычисления сил правил нечеткого вывода.Block
Блок дефаззификации 5 предназначен для расчета четкого значения коэффициента степени уверенности.
Блок правил самообучения управляющей нейросети 6 предназначен для хранения и корректировки наборов правил для обучения управляющей нейросети 8 для различных вариантов поведения объекта управления. Суть формул самообучения управляющей нейронной сети - в зависимости от значения коэффициента эффективности, параметров адаптации, состояния и действий объекта управления или динамики их изменения, подготовить обучающую выборку для управляющей нейронной сети и дообучить управляющую нейросеть.The self-learning rules block of the control
Блок истории работы системы 7 предназначен для хранения информации о работе объекта управления, управляющей нейронной сети и параметров адаптации. Блок истории работы системы разбит на две составляющие - стек параметров адаптации и стек работы объекта управления.The history block of the
Управляющая нейронная сеть 8 предназначена для формирования управляющего сигнала для объекта управления. Данная сеть реализована на базе многослойного персептрона. Для обучения управляющей нейронной сети используется метод обратного распространения ошибки.The control neural network 8 is designed to generate a control signal for the control object. This network is implemented on the basis of a multilayer perceptron. To train the control neural network, the back propagation method of error is used.
Стек параметров адаптации 11 предназначен для хранения параметров адаптации на предыдущих итерациях управления. Параметры адаптации - это такие параметры системы, меняя которые можно добиться изменения поведения работы системы.The
Стек работы объекта управления 12 предназначен для хранения истории работы объекта управления 1 (по сигналам 13.2 и 14.2).The work stack of the
Заявленное устройство работает следующим образом. Объект управления 1 формирует сигналы состояния 13 и действия 14. По данным сигналам блок формулы коэффициента эффективности 9 рассчитывает по заданной формуле получившееся значение коэффициента эффективности на текущей итерации управления. Получившееся значение коэффициента эффективности по сигналу 15.1 идет на блок фаззификации 3 и заносится в стек коэффициента эффективности по сигналу 15.2. Блок фаззификации 3 получает значение текущего коэффициента эффективности, а также синхронно от стека коэффициента эффективности 10 предыдущие значения коэффициента эффективности по сигналу 15.3 и значения адаптационных параметров на предыдущих итерациях по сигналу 19.2 от стека параметров адаптации 11. Глубина погружения по коэффициенту эффективности и параметрам адаптации, то есть за сколько предыдущих итераций управления учитывать данные сигналы, задаются разработчиком. Глубина погружения по коэффициенту эффективности и параметрам адаптации могут быть не равна друг другу. Принцип работы связки фаззификатор - блок нечеткого вывода - дефаззификатор следующий (см. также Ярушкина Н.Г. «Основы теории нечетких и гибридных систем». М.: Финансы и статистика, 2004 г.). На узлы входных термов 27 подаются четкие значения коэффициента эффективности за последнюю и предыдущие итерации управления и АП за предыдущие итерации управления. На выходе узлов 27 степени, с которыми заданные входы удовлетворяют функциям принадлежности, ассоциированным с этими узлами. Каждый Т-узел 28 вычисляет силу правила. The claimed device operates as follows. The
Выход верхнего Т-узла 31.1 равен:The output of the upper T-node 31.1 is equal to:
α1=КЭ(t)_снизился ∧ КЭ(t-1)_снизился ∧ АП (t-1)_снизилсяα 1 = FE (t) _ decreased ∧ FE (t-1) _ decreased ∧ AP (t-1) _ decreased
Выход нижнего Т-узла равен:The output of the lower T-node is equal to:
αz=КЭ(t)-_увеличился ∧ КЭ(t-1)_увеличился ∧ АП(t-1)_увеличилсяα z = FE (t) -_ increased ∧ FE (t-1) _increased П AP (t-1) _increased
Для остальных аналогично (см. Таблицу 1 ниже). N-узлы 29 нормализуют силу правил с выходов Т-узлов 28. Выход каждого N-узла равен
y0=b1·Y1+…+bZ·YZ y 0 = b 1 · Y 1 + ... + b Z · Y Z
Далее сигналы параметра адаптации 18 идут в стек параметров адаптации по сигналу 18.1 и блок правил самообучения управляющей нейросети 6 по сигналу 18.2. В случае, если значение сигнала 18 лежит в пределах «не изменять», процесс переобучения управляющей нейросети 8 не запускается, в случаях «увеличился» и «уменьшился» запускается процесс переобучения управляющей нейросети 8. Переобучение управляющей нейросети 8 происходит следующим образом. Блок правил самообучения управляющей нейросети 6 по сигналу 21.2 инициирует работу стека работы объекта управления 12 для переобучения управляющей нейросети 8. При этом стек работы управляющей нейросети 12 активизирует выходы 24 и 25, которые идут на входы управляющей нейросети 8. При активации 24 и 25 происходит размыкание входов 13.3 и 14.3 и выхода 26 управляющей нейросети от объекта управления 1. По сигналам 24 и 25 на управляющую нейросеть 8 начинают поступать входные комбинации примеров, а по сигналу 22 в стек работы объекта управления 12 начинает поступать выход управляющей нейросети 8, который сравнивается с тем, что должно было получиться при подаче определенной комбинации входов 24 и 25. Процесс обучения происходит по алгоритму обратного распространения ошибки для многослойного персептрона (см. Rumelhart D.E., Hinton G.E., Williams R.J., "Learning representations by back-propagating errors," Nature, vol.323, pp.533-536, 1986). Изменения весов 37 управляющей нейросети 8 идет по сигналам 23. После того как ошибка управляющей нейросети стала меньше или равна заданной, процесс переобучения останавливается, выходы 24 и 25 стека работы объекта управления деактивируются и устройство начинает работать в режиме отработки сигналов объекта управления 1 и подачи сигналов управления 26 на него.Further, the signals of the
Вычисление сигналов управляющей нейросетью происходит стандартным образом.Calculation of signals by the controlling neural network occurs in a standard way.
Эффект от применения данного контроллера заключается в том, что предлагаемое устройство за счет использования блоков нечеткой логики - блока фаззификации, блока нечеткого вывода и блока дефаззификации адаптивно подстраивается под изменения состояния внешней среды и объекта управления. При этом при выработке значения адаптационного параметра используется нечеткая логика, позволяющая не жестко, а мягко подстраивать адаптационный параметр и соответственно правила самообучения управляющей нейросети. The effect of the use of this controller is that the proposed device through adaptive fuzzy logic blocks - fuzzification unit, fuzzy output unit and defuzzification unit adaptively adapts to changes in the state of the environment and the control object. At the same time, when developing the value of the adaptation parameter, fuzzy logic is used, which allows one not to rigidly, but gently adjust the adaptation parameter and, accordingly, the self-learning rules of the controlling neural network.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012146338/08A RU2504002C1 (en) | 2012-10-30 | 2012-10-30 | Modified fuzzy rule intelligent controller |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012146338/08A RU2504002C1 (en) | 2012-10-30 | 2012-10-30 | Modified fuzzy rule intelligent controller |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2504002C1 true RU2504002C1 (en) | 2014-01-10 |
Family
ID=49884798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2012146338/08A RU2504002C1 (en) | 2012-10-30 | 2012-10-30 | Modified fuzzy rule intelligent controller |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2504002C1 (en) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994022074A1 (en) * | 1993-03-24 | 1994-09-29 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
DE4408264A1 (en) * | 1992-09-30 | 1995-07-27 | Zetec Gmbh Zentrum Fuer Fuzzyi | Fuzzy logic controller with neural network |
US5448681A (en) * | 1992-03-27 | 1995-09-05 | National Semiconductor Corporation | Intelligent controller with neural network and reinforcement learning |
RU2266558C2 (en) * | 2003-12-31 | 2005-12-20 | Кубанский государственный технологический университет | Intellectual controller with neuron network and self-modification rules |
CN102122132A (en) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | Intelligent control system for environmental simulation system based on a fuzzy neural network |
RU109890U1 (en) * | 2011-06-17 | 2011-10-27 | Алексей Евгеньевич Васильев | MICROCONTROLLER WITH HARDWARE FUZZY VARIABLE COMPUTER OF VARIABLE STRUCTURE |
RU2447494C1 (en) * | 2011-01-11 | 2012-04-10 | Государственное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ГОУ ВПО "КубГТУ") | Intelligent controller with self-modification rules of educational and control neural networks |
RU2458390C1 (en) * | 2011-04-05 | 2012-08-10 | Государственное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ГОУ ВПО "КубГТУ") | Modified intelligent controller |
-
2012
- 2012-10-30 RU RU2012146338/08A patent/RU2504002C1/en not_active IP Right Cessation
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5448681A (en) * | 1992-03-27 | 1995-09-05 | National Semiconductor Corporation | Intelligent controller with neural network and reinforcement learning |
DE4408264A1 (en) * | 1992-09-30 | 1995-07-27 | Zetec Gmbh Zentrum Fuer Fuzzyi | Fuzzy logic controller with neural network |
WO1994022074A1 (en) * | 1993-03-24 | 1994-09-29 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
RU2266558C2 (en) * | 2003-12-31 | 2005-12-20 | Кубанский государственный технологический университет | Intellectual controller with neuron network and self-modification rules |
CN102122132A (en) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | Intelligent control system for environmental simulation system based on a fuzzy neural network |
RU2447494C1 (en) * | 2011-01-11 | 2012-04-10 | Государственное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ГОУ ВПО "КубГТУ") | Intelligent controller with self-modification rules of educational and control neural networks |
RU2458390C1 (en) * | 2011-04-05 | 2012-08-10 | Государственное образовательное учреждение высшего профессионального образования "Кубанский государственный технологический университет" (ГОУ ВПО "КубГТУ") | Modified intelligent controller |
RU109890U1 (en) * | 2011-06-17 | 2011-10-27 | Алексей Евгеньевич Васильев | MICROCONTROLLER WITH HARDWARE FUZZY VARIABLE COMPUTER OF VARIABLE STRUCTURE |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Noriega | Multilayer perceptron tutorial | |
Kapanova et al. | A genetic approach to automatic neural network architecture optimization | |
US20090299929A1 (en) | Methods of improved learning in simultaneous recurrent neural networks | |
US20150269485A1 (en) | Cold neuron spike timing back-propagation | |
KR20160136381A (en) | Differential encoding in neural networks | |
El-Nagar | Nonlinear dynamic systems identification using recurrent interval type-2 TSK fuzzy neural network–A novel structure | |
KR20160138002A (en) | Training, recognition, and generation in a spiking deep belief network (dbn) | |
Wang et al. | Finite/fixed-time synchronization of delayed memristive reaction-diffusion neural networks | |
Han et al. | Hierarchical extreme learning machine for feedforward neural network | |
Anochi et al. | Self-configuring two types of neural networks by mpca | |
TULKUNOVNA | Structure of fuzzy control module with neural network | |
Lasfer et al. | Neural network design parameters for forecasting financial time series | |
RU2504002C1 (en) | Modified fuzzy rule intelligent controller | |
RU2447494C1 (en) | Intelligent controller with self-modification rules of educational and control neural networks | |
RU2266558C2 (en) | Intellectual controller with neuron network and self-modification rules | |
Stutz | Introduction to neural networks | |
RU2774625C1 (en) | Modified intelligent controller with fuzzy rules and neural network training unit | |
Benaddy et al. | Evolutionary prediction for cumulative failure modeling: A comparative study | |
Parida et al. | Artificial neural network based numerical solution of ordinary differential equations | |
Thorat et al. | Artificial Neural Network: A brief study | |
CN111582470A (en) | Self-adaptive unsupervised learning image identification method and system based on STDP | |
Todorov et al. | Intuitionistic fuzzy radial basis functions network for modeling of nonlinear dynamics | |
RU2523218C1 (en) | Modified intelligent controller with adaptive critic | |
Miguez et al. | An evaluation of the bihyperbolic function in the optimization of the backpropagation algorithm | |
Suh et al. | The context-aware learning model: Reward-based and experience-based logistic regression backpropagation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20141031 |