Primena Matlab A U Projektovanju Fuzzy Sistema

Elektrotehniki fakultet univerziteta u Beogradu
PRIMENA MATLAB-a U PROJEKTOVANJU FUZZY

SISTEMA I NEURALNIH MREA
Seminarski rad
Student
Profesor
Uvod
MATLAB...
Fuzzy
Logic Toolbox i Neural Network

Toolbox...
Demonstracioni primeri...
Elektrotehniki fakult
Fuzzy logic toolbox_primer1

Ekspertski sistem za odabir posla
Komande koje se koriste pri projektovanju sistema:
newfis :
addvar :
addmf :
addrule :
plotfis :
evalfis :
setfis :
plotmf :
Kreirati novi FIS;

Dodati variablu u FIS;
Dodati funkciju pripadnosti u FIS;
Dodati pravilo u FIS;
Iscrtati FIS I/O diagram;
Izvriti fuzzy izraunavanje;
Postaviti karakteristike fuzzy sistema;
Iscrtati sve funkcije pripadnosti za datu varijablu;
Pokretanje Fuzzy Logic Toolbox GUI-a iz MATLAB

komandnog prozora
Dodavanje ulazne varijable u FIS
Izgled sistema sa dva ulaza i jednim izlazom
Izgled polja GUI-a u koje se unosi ime prethodno

selektovane varijable
Ulazne varijable: Visina_plate_[din] i Tip_ponuenog_posla;

Izlazna varijabla: Izbor_posla;
Pokretanje prozora za generisanje funkcija pripadnosti.

Generisane funkcije pripadnosti se automatski pridruuju
selektovanoj varijabli
Brisanje prethodno generisanih funkcija pripadnosti

pridruenih selektovanoj varijabli
Polja za unos parametara vezanih za selektovanu

varijablu (Visina_plate_[din.])
10
Dodavanje eljene funkcije pripadnosti u dijagram
11
Izgled prozora za odabir tipa i unos parametara eljene

funkcije pripadnosti
12
Izgled dijagrama funkcija pripadnosti nakon unoenja eljenih f-ja

pridruenih ulaznoj varijabli Visina_plate_[din.]
13

pridruenih ulaznoj varijabli Tip_ponudjenog_posla
14

pridruenih izlaznoj varijabli Izbor_posla
15
Pokretanje prozora za generisanje pravila fuzzy

zakljuivanja
16
Izgled prozora za generisanje pravila fuzzy zakljuivanja

FIS-a
17
Izgled polja za izbor veze izmeu f-ja pripadnosti prilikom formiranja

pravila i polje za specificiranje teine ili vanosti datog pravila
18
Izgled prozora za generisanje pravila u ijoj se listi pravila nalazi 6

generisanih pravila fuzzy zakljuivanja
19
Pokretanje prozora za praenje rada projektovanog

ekspertskog sistema putem grafikog prikaza
20
Za zadate vrednosti ulaza ekspertski sistem proraunava

vrednost izlaza i grafiki je prikazuje
21

22

23
Pokretanje prozora u kom je 3D prikazom prikazan rad

ekspertskog sistema
24
3D prikaz rada ekspertskog sistema za odabir posla
25
Fuzzy logic toolbox_primer2

Kontrola temperature vode u kadi pomou fuzzy kontrolera
Sistem koji treba da bude kontrolisan je opisan

jednainom:
y ( k 1) a (Ts ) y (k )
Gde je:
Parametri kontrolisanog sistema:
= 1.00151*10-4
= 8.67973*10-3
gama = 40
Y0 = 25C
b(Ts )
u (k ) [1 a (Ts )]Y 0,
1 e 0.5 y ( k )
a (Ts ) e Ts
b(Ts ) ( )(1 e Ts )
26
Kontrola temperature vode u kadi pomou fuzzy

kontrolera
Ulaz kontrolisanog sistema:
Period uzorkovanja:
0V u(k) 5V
Ts = 25s (sekundi)
Fuzzy kontroler treba da kontrolie temperaturu vode u kadi tako da ona prati referentnu konturu
(signal), iji je oblik definisan na sledei nain:
35C , 0 t 40 minuta
50C , 40 t 80 minuta
65C , 80 t 120 minuta
80C , 120 t 180 minuta
27
Kontrola temperature vode u kadi pomou fuzzy

kontrolera
Izabrane ulazne varijable fuzzy kontrolera su:
1.
e(t) - Izvrna greka (predstavlja razliku izmeu eljene temperature vode i stvarne izmerene
temperature);
2.
c(t) - Promena izvrne greke (Izvod izvrne greke);
Izlazna varijabla fuzzy kontrolera:
1.
u(t) Napon grejaa (0V u(t) 5V);
Za svaku varijablu je definisano po 7 Gausovih funkcija pripadnosti, ija su imena: NL, NM, NS,
ZE, PS, PM ,PL;
Matrica fuzzy pravila sadri 25 od moguih 49 pravila;
28
Tabela fuzzy pravila formulisanih za sistem za kontrolu

temperature vode u kadi
29
Formiranje ulaznih i izlaznih funkcija pripadnosti i fuzzy

pravila
fis=newfis('fyappr1'); % Create a new FIS with filename "fyappr1.fis.".

% Build the I/O membership functions and fuzzy rules.
% Define membership functions for the input variable "ERROR".
fis=addvar(fis, 'input', 'ERROR', [-1 1]);
fis=addmf(fis,'input', 1, 'NL', 'gaussmf', [0.1 -1]);
fis=addmf(fis,'input', 1, 'NM', 'gaussmf', [0.1 -0.6]);
fis=addmf(fis,'input', 1, 'NS', 'gaussmf', [0.1 -0.3]);
fis=addmf(fis,'input', 1, 'ZE', 'gaussmf', [0.1 0]);
fis=addmf(fis,'input', 1, 'PS', 'gaussmf', [0.1 0.3]);
fis=addmf(fis,'input', 1, 'PM', 'gaussmf', [0.1 0.6]);
fis=addmf(fis,'input', 1, 'PL', 'gaussmf', [0.1 1]);
plotmf(fis,'input',1);
figure
% Define membership functions for the input variable "CERROR".
fis=addvar(fis, 'input', 'CERROR', [-1 1]);
fis=addmf(fis,'input', 2, 'NL', 'gaussmf', [0.1 -1]);
fis=addmf(fis,'input', 2, 'NM', 'gaussmf', [0.1 -0.6]);
fis=addmf(fis,'input', 2, 'NS', 'gaussmf', [0.1 -0.3]);
fis=addmf(fis,'input', 2, 'ZE', 'gaussmf', [0.1 0]);
fis=addmf(fis,'input', 2, 'PS', 'gaussmf', [0.1 0.3]);
fis=addmf(fis,'input', 2, 'PM', 'gaussmf', [0.1 0.6]);
fis=addmf(fis,'input', 2, 'PL', 'gaussmf', [0.1 1]);
plotmf(fis,'input',2);
figure
% Define membership functions for the output variable "MENU".
fis=addvar(fis,'output','MENU', [-1 1]);
fis=addmf(fis,'output', 1, 'NL', 'gaussmf', [0.1 -1]);
fis=addmf(fis,'output', 1, 'NM', 'gaussmf', [0.1 -0.6]);
fis=addmf(fis,'output', 1, 'NS', 'gaussmf', [0.1 -0.3]);
fis=addmf(fis,'output', 1, 'ZE', 'gaussmf', [0.1 0]);
fis=addmf(fis,'output', 1, 'PS', 'gaussmf', [0.1 0.3]);
fis=addmf(fis,'output', 1, 'PM', 'gaussmf', [0.1 0.6]);
fis=addmf(fis,'output', 1, 'PL', 'gaussmf', [0.1 1]);

plotmf(fis,'output',1);
% Define fuzzy rules.
rule=[
14111
24211
35511
34311
33311
47711
46611
45511
44411
43311
42211
41111
57711
56611
55511
54511
53311
67711
66611
65611
64611
77711
76711
75711
7 4 7 1 1];
fis=addrule(fis, rule);
writefis(fis, 'fyappr1'); % Save FIS to disk.
30
Grafiki prikaz funkcija pripadnosti pridruenih ulaznim varijablama

ERROR, CERROR, i izlaznoj varijabli MENU
31
Test program
fis=readfis('fyapprl'); % Read the file

"fyappr1.fis.".
% Define plant parameters.
Ts=25; p=1.00151*10^(-4); q=8.67973*10^(-3);
r=40; yo=25; y(1)=yo; a=exp(-p*Ts); b=(q/p)*(1exp(-p*Ts));
% Define the reference output.
for k =1 : 180
if (k <= 40) ref(k)=35;
elseif (k > 40 & k <= 80) ref(k)=50;
elseif (k > 80 & k <= 120) ref(k)=65;
elseif (k > 120) ref(k)=80;
end;
end;
GE=1/15; GC=1/15; GU=450; % Define gain
constants.
pause % Hit any key to test this fuzzy controller.
for k =1 : 179
e(k)=(ref(k)-y(k)); ee(k)=e(k)*GE;
if k == 1 ce(k)=0;
else ce(k)=e(k)-e(k - 1);
end;
cee(k)=ce(k)*GC;
mu(k)=evalfis([ee(k) cee(k)],fis);
u(k)=mu(k)*GU;
if (u(k)>=5) u(k)=5;
elseif (u(k)<=0) u(k)=0;
else u(k)=u(k);
end;
y(k + 1)=a*y(k)+b/(1+exp(0.5*y(k)-r))*u(k)+(1a)*yo;
end;
hold on; grid; % Plot plant input/output and
reference output.
plot(y(1:180), '.y'); plot(ref(1:180),'--r');
plot(u(1:179),'g');
xlabel('Sampling Time Step kT T = 25 seconds');
ylabel('Temperature(degree)');
title('Reference Signal "- -" Actual Output "."
Control Signal "---"');
pause % Hit any key to calculate the
performance index AES.
AES=sum(abs(ref-y));
32
Rezultati simulacije za aplikaciju kontrole temperature

vode u kadi korienjem isprojektovanog fuzzy kontrolera
33
Rezultati simulacije
Moe se videti da isprojektovani fuzzy

kontroler ima dobru sposobnost praenja
temperature, ali kontrolni signal u(k) odlikuje
velika varijacija u opsegu visoke temperature.
Indeks uinka (kvantifikacija sposobnosti

praenja referentne konture):
AES k 1| ref (k ) y (k ) |
U sliaju fuzzy kontrolera AES = 426.80;
U sluaju neural fuzzy kontrolera AES = 374;
34
Izgled fuzzy kontrolera za kontrolu temperature vode u kadi.

Kontroler ima dve ulazne varijable (ERROR i CERROR) i jednu
izlaznu varijablu (MENU)
35
Grafiki prikaz funkcija pripadnosti pridruenih ulaznim varijablama

ERROR, CERROR, i izlaznoj varijabli MENU
36
Izgled prozora za generisanje fuzzy pravila sa generisanih 25 pravila

fuzzy kontrolera za kontrolu temperature vode u kadi
37
Grafiki prikaz fuzzy zakljuivanja projektovanog

kontrolera
38
3D prikaz fuzzy zakljuivanja projektovanog kontrolera
39
Neural network toolbox_primer3

Primena neuralnih mrea u modeliranju nelinearnih statikih funkcija
Korienjem neuralne mree treba

aproksimirati funkciju:
y ( x) e
x
2
cos(2 x)
Na intervalu:
x [0,3]
40
Izgled funkcije y(x) na intervalu [0,3]
41
Formiranje obuavajueg skupa, neuralne mree i

obuavanje
Kreiranje nove N-slojne feedforward neuralne mree:
net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
Argumenti koje funkcija uzima:
PR
R x 2 matrica minimalnih i maksimalnih vrednosti za R ulaza;
Si
Veliina i-tog sloja, za Nl slojeva;
TFi
Transfer funkcija i-tog sloja (default = 'tansig'). (logsig, purelin);
BTF Backpropagation network training function (default = 'trainlm').(trainbfg, trainrp,
traingd);
BLF Backpropagation weight/bias learning function (default = 'learngdm'). (learngd);
PF
Performance function (default = 'mse'). (msereg);
42

obuavanje
% Formiranje obuavajueg skupa.

x=0:0.01:3;
y=exp(-0.5*x).*cos(2*x);
% Dodavanje aditivnog uma.
yn=y+randn(size(y))*0.08;
figure(1);
plot(x,y);
figure(2);
plot(x,yn);
% Inicijalno formiranje neuralne mree.
net=newff([0 3], [2 1],{'tansig','purelin','trainlm'});
% Parametri obuavanja neuralne mree.
net.trainParam.epochs=1000;
net.trainParam.goal=0.000001;
% Obuavanje neuralne mree.
net=train(net,x,yn);
% Simulacija rada neuralne mree.
ym=sim(net,x);
% Prikazivanje rezultata.
figure(3);
plot(x,y,x,yn,x,ym);
43
Izgled funkcije yn(x) na intervalu [0,3]

Funkcija yn(x) je jednaka zbiru funkcije y(x) i dodatog aditivnog uma
44
Prikaz rezultata simulacije obuene neuralne mree

Izlaz neuralne mree je prikazan crvenom linijom
45
Prikaz toka obuavanja neuralne mree
46
Promena intervala ulaznog signala

x=0:0.01:4;
y=exp(-0.5*x).*cos(2*x);
% figure(1); plot(x,y);
% figure(2); plot(x,yn);
ym=sim(net,x);
figure(3); plot(x,y,x,ym);
47
Prikaz rezultata simulacije neuralne mree na skupu koji

je razliit od obuavajueg skupa (zelena linija na grafiku)
48
Preobuavanje neuralne mree (overtraining)

x=0:0.01:3;
y=exp(-0.5*x).*cos(2*x);
% figure(1);
% plot(x,y);
% figure(2);
% plot(x,yn);
ym=sim(net,x);
figure(3);
49
Prikaz toka obuavanja neuralne mree u sluaju

preobuavanja iste
50
Prikaz rezultata simulacije preobuene neuralne mree

51
Izbor poetnih parametara mree
x=0:0.01:3;
y=exp(-0.5*x).*cos(2*x);
net=newff([0 3],[2 1],{'tansig', 'purelin'});
[net,tr]=train(net,x,yn);
err=min(tr.perf);
for i=1:100
net1=newff([0 3],[2 1],{'tansig','purelin'});
net1.trainParam.epochs=25;
net1.trainParam.goal=0.000001;
[net1,tr1]=train(net1,x,yn);
err1=min(tr1.perf);
if err1<err
net=net1;
err=err1;
end
end
[net,tr]=train(net,x,yn);
52
Neural network toolbox_primer4

Primena neuralnih mrea u modeliranju nelinearnih statikih funkcija
Korienjem neuralne mree treba

aproksimirati funkciju:
y ( x) tan 3 (sin( x)) ln( x)
Na intervalu:
x [9,19]
53
Izgled funkcije y(x)=tan3(sin(x))+ln(x) na intervalu [9,19]
54

obuavanje

x=[9:0.03:19];
y=tan(sin(x)).^3+log(x);
figure(1);
plot(x,y);
figure(2);
plot(x,yn);
ym=sim(net,x);
figure(3);
55
Izgled funkcije yn(x) na intervalu [9,19]

Funkcija yn(x) je jednaka zbiru funkcije y(x) i dodatog aditivnog uma
56
Prikaz rezultata simulacije obuene neuralne mree

57
Prikaz toka obuavanja neuralne mree
58
Promena intervala ulaznog signala

x=[8:0.03:21];
% figure(1); plot(x,y);
% figure(2); plot(x,yn);
ym=sim(net,x);
figure(3); plot(x,y,x,ym);
59
Prikaz rezultata simulacije neuralne mree na skupu koji je razliit od

obuavajueg skupa (zelena linija na grafiku)
60
Preobuavanje neuralne mree (overtraining)

x=[9:0.03:19];
% figure(1);
% plot(x,y);
% figure(2);
% plot(x,yn);
ym=sim(net,x);
figure(3);
61
Prikaz toka obuavanja neuralne mree u sluaju

preobuavanja iste
62
Prikaz rezultata simulacije preobuene neuralne mree

63

Primena Matlab A U Projektovanju Fuzzy Sistema

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Primena Matlab A U Projektovanju Fuzzy Sistema

Caricato da

Copyright:

Formati disponibili

Elektrotehniki fakultet univerziteta u Beogradu

PRIMENA MATLAB-a U PROJEKTOVANJU FUZZY

Logic Toolbox i Neural Network

Fuzzy logic toolbox_primer1

Kreirati novi FIS;

Pokretanje Fuzzy Logic Toolbox GUI-a iz MATLAB

Dodavanje ulazne varijable u FIS

Izgled sistema sa dva ulaza i jednim izlazom

Izgled polja GUI-a u koje se unosi ime prethodno

Ulazne varijable: Visina_plate_[din] i Tip_ponuenog_posla;

Pokretanje prozora za generisanje funkcija pripadnosti.

Brisanje prethodno generisanih funkcija pripadnosti

Polja za unos parametara vezanih za selektovanu

Dodavanje eljene funkcije pripadnosti u dijagram

Izgled prozora za odabir tipa i unos parametara eljene

Izgled dijagrama funkcija pripadnosti nakon unoenja eljenih f-ja

Izgled dijagrama funkcija pripadnosti nakon unoenja eljenih f-ja

Izgled dijagrama funkcija pripadnosti nakon unoenja eljenih f-ja

Pokretanje prozora za generisanje pravila fuzzy

Izgled prozora za generisanje pravila fuzzy zakljuivanja

Izgled polja za izbor veze izmeu f-ja pripadnosti prilikom formiranja

Izgled prozora za generisanje pravila u ijoj se listi pravila nalazi 6

Pokretanje prozora za praenje rada projektovanog

Za zadate vrednosti ulaza ekspertski sistem proraunava

Za zadate vrednosti ulaza ekspertski sistem proraunava

Za zadate vrednosti ulaza ekspertski sistem proraunava

Pokretanje prozora u kom je 3D prikazom prikazan rad

3D prikaz rada ekspertskog sistema za odabir posla

Fuzzy logic toolbox_primer2

Sistem koji treba da bude kontrolisan je opisan

Parametri kontrolisanog sistema:

Kontrola temperature vode u kadi pomou fuzzy

Ulaz kontrolisanog sistema:

Kontrola temperature vode u kadi pomou fuzzy

Izabrane ulazne varijable fuzzy kontrolera su:

c(t) - Promena izvrne greke (Izvod izvrne greke);

Izlazna varijabla fuzzy kontrolera:

u(t) Napon grejaa (0V u(t) 5V);

Matrica fuzzy pravila sadri 25 od moguih 49 pravila;

Tabela fuzzy pravila formulisanih za sistem za kontrolu

Formiranje ulaznih i izlaznih funkcija pripadnosti i fuzzy

fis=newfis('fyappr1'); % Create a new FIS with filename "fyappr1.fis.".

fis=addmf(fis,'output', 1, 'PL', 'gaussmf', [0.1 1]);

Grafiki prikaz funkcija pripadnosti pridruenih ulaznim varijablama

fis=readfis('fyapprl'); % Read the file

Rezultati simulacije za aplikaciju kontrole temperature

Moe se videti da isprojektovani fuzzy

Indeks uinka (kvantifikacija sposobnosti

U sliaju fuzzy kontrolera AES = 426.80;

U sluaju neural fuzzy kontrolera AES = 374;

Izgled fuzzy kontrolera za kontrolu temperature vode u kadi.

Grafiki prikaz funkcija pripadnosti pridruenih ulaznim varijablama

Izgled prozora za generisanje fuzzy pravila sa generisanih 25 pravila

Grafiki prikaz fuzzy zakljuivanja projektovanog

3D prikaz fuzzy zakljuivanja projektovanog kontrolera

Neural network toolbox_primer3

Korienjem neuralne mree treba

Izgled funkcije y(x) na intervalu [0,3]

Formiranje obuavajueg skupa, neuralne mree i

Kreiranje nove N-slojne feedforward neuralne mree:

net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)

Argumenti koje funkcija uzima:

Formiranje obuavajueg skupa, neuralne mree i