不确定经济对象的神经模糊控制系统

Ivanov S.
{"title":"不确定经济对象的神经模糊控制系统","authors":"Ivanov S.","doi":"10.32999/ksu2307-8030/2021-43-13","DOIUrl":null,"url":null,"abstract":"The article discusses the use of neuro-fuzzy control systems as a tool for managing non-deterministic objects in real time. The application of classical methods description of the control system assumes that the control objects are described by linear dynamic links of low order. This assumption often leads to the fact that classical control systems in practice do not provide the specified indicators of fast and efficient management. This article discusses modern control tools structural models of a discrete quasi-invariant automated control system. Typical procedures correspond to business processes of nondeterministic discrete objects. The decision to use marketing, resource and production procedures is made on the basis of analysis of the degree of compliance; in this case, business processes in the economic object. This approach combines the advantages of the principle of using typical subsystems of automated control systems and the process approach. Presented in this article is the analysis of an automated control system, which is based on the use of typical models of discrete automated control systems. According to the proposed solution in an automated control system in real time, it is proposed to use a neuro-fuzzy control system as a function of the object and the system’s transfer ratio. The neuro-fuzzy control system is based on the process of learning an artificial neural network (ANN), which allows you to determine the rules of fuzzy inference (FIS). Once the fuzzy output parameters are defined, the neural network operates standard. In this integrated model, the neural network training algorithm (ANN) is used to determine the parameters of the fuzzy output system (FIS). On the other hand, the neural network learning mechanism does not depend on statistical information, but is standard for the chosen artificial neural network architecture. The ANFIS automated control sys-tem determines that each quantity is represented by only one fuzzy set. The ANFIS neural network learning procedure has no restrictions on modifying membership functions. To ensure the learning speed of the neural network and the adaptability of the software implementation, the model Takagi T., Sugeno M. this is based on a high-performance neural network learning procedure. The article proposes the ANFIS model, which considers an algorithm based on seven fuzzy rules.Keywords: neuro-fuzzy control systems, ANFIS model, neural network (ANN), rules of fuzzy inference (FIS). У статті розглянуто використання нейронечітких 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 нейронечітку систему управління. Нейронечітка 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.Ключові слова: нейронечіткі системи управління, модель ANFIS, нейронна мережа (ANN), правила нечіткого виведення (FIS).","PeriodicalId":119630,"journal":{"name":"Scientific Bulletin of Kherson State University. Series Economic Sciences","volume":"216 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-10-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"NEURO-FUZZY CONTROL SYSTEM OF NON-DETERMINED ECONOMIC OBJECT\",\"authors\":\"Ivanov S.\",\"doi\":\"10.32999/ksu2307-8030/2021-43-13\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"The article discusses the use of neuro-fuzzy control systems as a tool for managing non-deterministic objects in real time. The application of classical methods description of the control system assumes that the control objects are described by linear dynamic links of low order. This assumption often leads to the fact that classical control systems in practice do not provide the specified indicators of fast and efficient management. This article discusses modern control tools structural models of a discrete quasi-invariant automated control system. Typical procedures correspond to business processes of nondeterministic discrete objects. The decision to use marketing, resource and production procedures is made on the basis of analysis of the degree of compliance; in this case, business processes in the economic object. This approach combines the advantages of the principle of using typical subsystems of automated control systems and the process approach. Presented in this article is the analysis of an automated control system, which is based on the use of typical models of discrete automated control systems. According to the proposed solution in an automated control system in real time, it is proposed to use a neuro-fuzzy control system as a function of the object and the system’s transfer ratio. The neuro-fuzzy control system is based on the process of learning an artificial neural network (ANN), which allows you to determine the rules of fuzzy inference (FIS). Once the fuzzy output parameters are defined, the neural network operates standard. In this integrated model, the neural network training algorithm (ANN) is used to determine the parameters of the fuzzy output system (FIS). On the other hand, the neural network learning mechanism does not depend on statistical information, but is standard for the chosen artificial neural network architecture. The ANFIS automated control sys-tem determines that each quantity is represented by only one fuzzy set. The ANFIS neural network learning procedure has no restrictions on modifying membership functions. To ensure the learning speed of the neural network and the adaptability of the software implementation, the model Takagi T., Sugeno M. this is based on a high-performance neural network learning procedure. The article proposes the ANFIS model, which considers an algorithm based on seven fuzzy rules.Keywords: neuro-fuzzy control systems, ANFIS model, neural network (ANN), rules of fuzzy inference (FIS). У статті розглянуто використання нейронечітких 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 нейронечітку систему управління. Нейронечітка 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.Ключові слова: нейронечіткі системи управління, модель ANFIS, нейронна мережа (ANN), правила нечіткого виведення (FIS).\",\"PeriodicalId\":119630,\"journal\":{\"name\":\"Scientific Bulletin of Kherson State University. Series Economic Sciences\",\"volume\":\"216 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2021-10-22\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Scientific Bulletin of Kherson State University. Series Economic Sciences\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.32999/ksu2307-8030/2021-43-13\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Scientific Bulletin of Kherson State University. Series Economic Sciences","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.32999/ksu2307-8030/2021-43-13","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

本文讨论了使用神经模糊控制系统作为实时管理不确定性对象的工具。应用经典方法描述控制系统时,假设控制对象是用低阶线性动态链路来描述的。这种假设常常导致这样一个事实,即实践中的经典控制系统不能提供快速和有效管理的指定指标。本文讨论了离散准不变自动控制系统的现代控制工具结构模型。典型过程对应于不确定离散对象的业务过程。利用营销、资源和生产程序的决定是在分析合规程度的基础上做出的;在本例中,业务流程在经济对象中。这种方法结合了使用自动化控制系统的典型子系统的原理和过程方法的优点。本文以离散自动控制系统的典型模型为基础,对一个自动控制系统进行了分析。根据所提出的解决方案,在实时自动控制系统中,提出使用神经模糊控制系统作为对象和系统传动比的函数。神经-模糊控制系统是基于学习人工神经网络(ANN)的过程,它允许你确定模糊推理(FIS)的规则。一旦定义了模糊输出参数,神经网络就能正常运行。在该综合模型中,采用神经网络训练算法确定模糊输出系统的参数。另一方面,神经网络的学习机制不依赖于统计信息,而是所选择的人工神经网络结构的标准。ANFIS自动控制系统确定每个量仅用一个模糊集表示。ANFIS神经网络的学习过程对隶属函数的修改没有限制。为了保证神经网络的学习速度和软件实现的适应性,模型Takagi T., Sugeno M.这是一个基于高性能神经网络的学习程序。本文提出了基于7条模糊规则的算法的ANFIS模型。关键词:神经模糊控制系统,ANFIS模型,神经网络,模糊推理规则。Устаттірозглянутовикористаннянейронечіткихсистемуправлінняякінструментадляуправліннянедетермінованимиобє“ктамивреальномумасштабічасу。Обговорюютьсясучасніінструментиуправління,структурнімоделідискретноїквазіінваріантноїавтоматизованоїсистемиуправління。Представленеустаттіаналізуванняавтоматизованоїсистемиуправліннязаснованийназастосуваннітиповихмоделейдискретнихавтоматизованихсистемуправління。Відповіднодопропонованогорішення,вавтоматизованійсистеміуправліннявреальномумасштабічасуякопціяобє“ктаіпередавальнийкоефіцієнтсистемипропонуєтьсявикористовуватинейронечіткусистемууправління。Нейронечіткасистемауправліннязасновананапроцесінавчанняштучноїнейронноїмережі(安),щодаєзмогувизначитиправиланечіткоговиведення(FIS)。Устаттіпропонуєтьсямодель简称ANFIS,якавиконанаіззастосуваннямнечіткоїсистеми高木涉T, Sugeno M。атакожрозглянутоалгоритм,якийпобудованийнаосновісеминечіткихправил。Ключовіслова:нейронечіткісистемиуправління,модель简称ANFIS,нейроннамережа(安),правиланечіткоговиведення(FIS)。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
NEURO-FUZZY CONTROL SYSTEM OF NON-DETERMINED ECONOMIC OBJECT
The article discusses the use of neuro-fuzzy control systems as a tool for managing non-deterministic objects in real time. The application of classical methods description of the control system assumes that the control objects are described by linear dynamic links of low order. This assumption often leads to the fact that classical control systems in practice do not provide the specified indicators of fast and efficient management. This article discusses modern control tools structural models of a discrete quasi-invariant automated control system. Typical procedures correspond to business processes of nondeterministic discrete objects. The decision to use marketing, resource and production procedures is made on the basis of analysis of the degree of compliance; in this case, business processes in the economic object. This approach combines the advantages of the principle of using typical subsystems of automated control systems and the process approach. Presented in this article is the analysis of an automated control system, which is based on the use of typical models of discrete automated control systems. According to the proposed solution in an automated control system in real time, it is proposed to use a neuro-fuzzy control system as a function of the object and the system’s transfer ratio. The neuro-fuzzy control system is based on the process of learning an artificial neural network (ANN), which allows you to determine the rules of fuzzy inference (FIS). Once the fuzzy output parameters are defined, the neural network operates standard. In this integrated model, the neural network training algorithm (ANN) is used to determine the parameters of the fuzzy output system (FIS). On the other hand, the neural network learning mechanism does not depend on statistical information, but is standard for the chosen artificial neural network architecture. The ANFIS automated control sys-tem determines that each quantity is represented by only one fuzzy set. The ANFIS neural network learning procedure has no restrictions on modifying membership functions. To ensure the learning speed of the neural network and the adaptability of the software implementation, the model Takagi T., Sugeno M. this is based on a high-performance neural network learning procedure. The article proposes the ANFIS model, which considers an algorithm based on seven fuzzy rules.Keywords: neuro-fuzzy control systems, ANFIS model, neural network (ANN), rules of fuzzy inference (FIS). У статті розглянуто використання нейронечітких 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 нейронечітку систему управління. Нейронечітка 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.Ключові слова: нейронечіткі системи управління, модель ANFIS, нейронна мережа (ANN), правила нечіткого виведення (FIS).
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
МОТИВАЦІЙНІ ЧИННИКИ УЧАСТІ ПАЦІЄНТІВ У КЛІНІЧНИХ ДОСЛІДЖЕННЯХ В УКРАЇНІ В УМОВАХ ВОЄННОГО СТАНУ АНАЛІЗ РОЗВИТКУ ПІДПРИЄМСТВ КОНДИТЕРСЬКОЇ ГАЛУЗІ УКРАЇНИ В УМОВАХ ВІЙСЬКОВОГО СТАНУ ДО МЕТОДИЧНИХ ЗАСАД ПЛАНУВАННЯ ФОРМУВАННЯ ЛОГІСТИЧНОГО МЕХАНІЗМУ ДІЯЛЬНОСТІ ПІДПРИЄМСТВА СУТНІСТЬ ТА ПРИНЦИПИ СТРАТЕГІЧНОГО УПРАВЛІННЯ ПІДПРИЄМНИЦЬКОЮ ДІЯЛЬНІСТЮ: ТЕОРЕТИЧНИЙ АСПЕКТ INTERNAL CORPORATE PERSONNEL TRAINING AS A FACTOR IN MANAGING ORGANIZATIONAL DEVELOPMENT
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1