CN1059609A - 模糊推理装置 - Google Patents
模糊推理装置 Download PDFInfo
- Publication number
- CN1059609A CN1059609A CN91108631A CN91108631A CN1059609A CN 1059609 A CN1059609 A CN 1059609A CN 91108631 A CN91108631 A CN 91108631A CN 91108631 A CN91108631 A CN 91108631A CN 1059609 A CN1059609 A CN 1059609A
- Authority
- CN
- China
- Prior art keywords
- function
- meta
- arithmetic section
- reasoning
- descent method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 136
- 230000006870 function Effects 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 abstract description 4
- 238000005406 washing Methods 0.000 description 19
- 230000015572 biosynthetic process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012937 correction Methods 0.000 description 8
- 238000012886 linear function Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000004308 accommodation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N7/023—Learning or tuning 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)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明是有关模糊推理装置的调整技术,能够自
动地产生满足所需规格的模糊推理装置的推理规则,
本发明的装置可包括模糊推理运算部分、推理规则记
忆部分、元函数记忆部分、下降法运算部分、元函数调
整部分及误差运算部分,使用一种非线性探测法的下
降法,能自动产生使推理误差和评价函数为最小的元
函数。
Description
本发明是有关模糊推理装置的调整技术,能够自动产生满足所需规格的模糊推理装置的推理规则。
模糊推理是对于数学模型不能描述的复杂控制对象,利用推理规则,通过计算机来运用人类从已有经验中获得的知识。
图15表示已有的模糊推理。在模糊推理中,把由控制观测值输入部分101获得的输入信息如控制偏差e及其变化率△e与由控制操作量输出部分103输出的操作量u之间的关系,作为“如果~那么……”规则来描述。作为这种推理规则,在模糊推理规则记忆部分104中,准备了多个下述那样的推理规则。
如果e是0(Z0)并且,
△e是正的小量(PS)
那么u是负的小量(NS)
这里称“如果~”部分为前事件部分,“那么……”部分为后事件部分。零、正的小量以及负的小量等是表示在推理规则描述中使用的输入和输出元函数的标记。元函数存储在元函数记忆部分105中。
图16表示元函数的一个例子。元函数作为对称的三角形。
作为常用的元函数,有NB(负的大量)、NS(负的小量)、Z0(大体为零)、PS(正的小量)、PB(正的大量)等。
下面,说明在推理运算部分102中进行的模糊推理的过程。现在,把下面的几个推理规则存储在模糊推理规则记忆部分104中。
R1:如果e为ZO、并且△e为PS,
那么u为NS,
R2:如果e为Z0、并且△e为PB,
那么u为PB,
Rn:如果e为NB、并且△e为ZO,
那么u为NB,
但是,Ri(i=1,2,…n)作为推理规则。
这里以第1规则R1为例,说明输入信息e、△e的推理规则Ri中前事件部分适应性μi的求得方法。这里,μzo(e)、μps(△e)表示对于前事件命题中元函数ZO、PM的输入信息e、△e诸项值。现在,若把来自图15控制观测值输入部分101的e 、△e 输入,则规则R1的适应性u1为:
μ1=μzo(eo)∧μps(△eo) (1)
但是,∧为min运算。
于是,推理规则R1后事件部分的结论元函数ω1,用后事件命题中元函数NS的诸项值uns(u),按照下式求得:
ω1=μ1∧μns(u) (2)
由于推理规则Ri有多个,所以,联系所有结论元函数的元函数成为:
uT=ω1Vω2Vω3V…Vωn (3)
但是,∨为max运算。
虽然该元函数uT是表示控制操作量结论的元函数,但由于实际的控制操作量uO是实数,所以需要把元函数uT变换成实数值。作为变换方法,采用下面所示的加权重心。控制操作量uO为:
uo=(∫u·μTdu)/(∫μTdu) (4)
由图15的控制操作量输出部分103输出。
然而,利用上述构成,因下述原因难以形成推理规则和元函数的最佳结构。
确定模糊推理的推理规则和元函数时,必须满足控制规格和所需的输入输出关系。但是,用于自动确定推理规则和元函数的方法没有被确立,过去,根据尝试法实验和对专家的采访进行模糊推理规则的设计。因此,模糊推理存在这样的问题,需要的设计时间长,难以作出最佳设计。
并且,在上述构成中,由于推理规则和元函数都是固定的,所以还存在下述问题,不能跟踪由于控制目标值变化等所引起的控制对象动态特性变化等,无法实现了解用户喜好及感受性的功能。
鉴于上述情况,本发明根据从专家得到的输入输出数据和用户的输入等,用下降法自动地进行模糊推理的调整。据此,提供无需尝试法就自动产生所需模糊推理规则的模糊推理装置。
本发明构成的模糊推理装置包括:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆在模糊推理中使用的推理规则;元函数记忆部分,记忆在推理规则中使用的前事件部分元函数的形状数据和后事件部分的函数;下降法运算部分,根据预先给出的输入输出数据和从模糊推理运算部分得到的推理结果,进行利用下降法的运算;元函数调整部分,根据下降法运算部分的输出,使前事件部分的元函数和后事件部分的函数的至少其一发生变化;误差运算部分,根据输入输出数据和从模糊推理运算部分得到的推理结果,计算推理误差,当推理误差小于给定值时,使下降法运算部分和元函数调整部分停止工作。
如果利用上述构成,能够进行模糊推理的元函数的自动调整。具体地说,使用一种作为非线性探测法的下降法,能够自动产生使推理误差和评价函数为最小的元函数,推理误差是从专家得到的输入输出数据与推理结果之差,评价函数是用户确定的。
图1是本发明第一实施例模糊推理装置的方框图;图2是示出同一实施例工作的流程图;图3是元函数构成图;图4是下降法工作示意图;图5是本发明第二实施例模糊推理装置的方框图;图6是示出同一实施例工作的流程图;图7是本发明第三实施例模糊推理装置的方框图;图8是示出同一实施例工作的流程图;图9是本发明第四实施例模糊推理装置的方框图;图10是示出同一实施例工作的流程图;图11是本发明第五实施例模糊推理装置的方框图;图12是本发明第六实施例模糊推理装置的方框图;图13是示出同一实施例工作的流程图;图14是评价函数的示意图;图15是已有的模糊推理装置的方框图;图16是元函数的构成图。
1-推理规则记忆部分;2-元函数记忆部分;3-模糊推理运算部分;4-控制对象;5-下降法运算部分;6-元函数调整部分;7-误差运算部分;8-前事件部分参量的记忆部分;9-后事件部分实数值的记忆部分;10-前事件部分下降法的运算部分;11-前事件部分参量的调整部分;12-后事件部分下降法的运算部分;13-后事件部分实数值的调整部分;20-控制器;21-微分运算部分;22-操作量加法部分;31-推理结果显示部分;32-用户输入部分;41-推理规则检索部分;42-推理规则显示部分;51-评价值运算部分;52-输入信号产生部分。
下面对本发明第一实施例进行说明。图1示出本发明第一模糊推理装置的构成图。在图1中,1是记忆模糊推理的推理规则的推理规则记忆部分;2是元函数记忆部分,记忆用于模糊推理的前事件部分元函数形状数据和后事件函数式;3是为了进行模糊推理的推理运算的模糊推理运算部分;4是控制对象;5是根据从专家得到的输入输出数据和推理结果进行下降法运算,求得调整方向的下降法运算部分;6是更新参量的元函数调整部分,参量是根据下降法运算部分5的运算结果,存储在元函数记忆部分2中;7是误差运算部分,根据模糊推理的推理结果和输入输出数据,计算推理误差。
下面对于如上所述构成的实施例模糊推理装置的工作,进行说明。
过去,根据对专家采访的方法和尝试法实验,来进行模糊推理规则结构和元函数的设计。因此,模糊推理的问题在于设计时间长,难于作出最佳设计。本发明根据从专家得到的输入输出数据,自动地进行模糊推理的调整。具体地说,使用一种作为非线性探测法的下降法,自动抽出使推理误差为最小的元函数,推理误差是从专家得到的输入输出数据与推理结果之差。
以2个输入、1个输出的控制系统为例,利用图2的流程图来说明本实施例的详细工作。
步骤a1:首先,利用元函数调整部分,进行用于模糊推理的推理规则的初始设定和输入输出数据序号P的初始设定。
在推理规则记忆部分1中,存储着下面的推理规则:
R1:如果X1=A11 且X2=A12,那么Y=f1(X1,X2)
R2:如果X1=A21 且X2=A22,那么Y=f2(X1,X2)
Rn:如果X1=An1 且X2=An2,那么Y=fn(X1,X2)。
Ri是推理规则序号,n是推理规则数,Aij(i=1,…,n、j=1,2)是前事件部分的元函数,fi(X1,X2)是后事件部分的线性函数。
元函数Aij作成图3那样等腰三角形的,其中心值为aij、宽度为bij。并且,后事件部分的线性函数为:
fi(X1,X2)=Pi·X1+qi·X2+ri……(5)
(i=1,…,n)
成为调整对象的参量是aij、bij、Pi、qi、ri。这些称之为调整参量,按照推理规则的顺序存储在元函数记忆部分2中。
另外,在本实施例中,虽然把元函数作为等腰三角形的,但别的形状也可以得到同样的效果。并且,后事件部分不是线性函数,而是非线性函数或元函数也行。
设定前事件部分的元函数Aij中心值aij的初始值,把输入变量的基本集合等分。设定宽度bij,使之大于各元函数中心值的间距,以使各元函数重叠。后事件部分线性函数的初始化为0。另外,输入输出数据序号的初始化为1。
步骤a2:把从专家处得到的输入输出数据(Xip,X2p,Ypr)拿来,把(X1p,X2p)输入模糊推理运算部分3,把Yr p输入下降法运算部分5和误差运算部分7中。
步骤a3:在模糊推理运算部分3中,把(X1p,X2p)作为输入进行模糊推理。在模糊推理运算部分3中,进行用下式表达的运算,确定给控制对象4的操作量Y* p。
μi=Ai1(X1p)·Ai2(X2p)……(6)
但是,μi是推理规则Ri的前事件部分适应性。
步骤a4:在步骤a4中,在下降法运算部分5中,根据在步骤a3得到的推理结果Y* p和在步骤a2输入的Yr p,计算调整参量aij、bij、Pi、qi、Ri的调整方向。作为元函数的调整目标,考虑把下式评价函数最小化
E= 1/2 (Y* p-Yr o)2……(8)
该式表示推理结果y* P和从专家得到的数据yr P之差,即推理误差。在本发明中,自动产生使该推理误差E变得最小的元函数。为了使作为推理误差的评价函数E最小化,在本实施例中使用作为下降法中的一种方法-最速下降法。在最速下降法中,基于评价函数的微分值来更新调整参量。
现在,考虑与评价函数E的调整参量ri有关的微分值 E/ ri。图4示出了把横轴作为ri的评价函数E。ri=ri′时微分值 E(ri′)/ ri如图4所示,意味着在ri′点上评价函数的斜率。图4(a)表示 E(ri′)/ ri为正,图4(b)表示 E(ri′)/ ri为负。
这里,如图4(a)的箭头方向,当沿着与 E(ri′)/ ri符号相反的方向少量移动调整参量时,评价函数E则减少。同样地,图4(b)中 E(ri′)/ ri为负时,当沿着与 E(ri′)/ ri符号相反的方向少量移动调整参量时,评价函数E则也减少。总之,若沿着与微分量 E/ ri符号相反的方向调整参量时,评价函数E则减少,对此反复进行,评价函数E收敛成极小值。应用这种性质,进行各参量的调整。
同样,通过计算 E/ aij、 E/ bij、 E/ pij、E/ qij、 E/ rij,来计算为了使评价函数减小的调整方向。 E/ aij、 E/ bij、 E/ pij、 E/ qij、 E/ rij这些计算,在下降法运算部分5中进行。
更新按照下面公式进行:
bij<-bij-Kb· ……(11)
(i=1,…,n,j=1,2)
ka、kb、kp、kq、kr为常数。
步骤a6:在步骤a6中,比较输入输出数据序号p和输入输出数据的总数N。若输入输出数据的序号P比输入输出数据的总数N小,则使向步骤a7前进的P值增加1,返回到步骤a2,重复进行从步骤a2到步骤a7,直到数据序号p和输入输出数据的总数N相等。如果输入输出数据序号P比输入输出数据的总数N大,则进到步骤a8。
步骤a8:在误差运算部分7中,计算推理误差D及其变化量△D。推理误差D用下式运算:
变化量△D通过△D=D(t)-D(t-1)……(16)来计算。t表示调整次数,△D是上一次调整时的推理误差和现时推理误差之差。
步骤a9:在误差运算部分7中,比较推理误差变化量△D和规定的阈值T。如果变化量△D比规定的阈值T大,则进到步骤a10,使输入输出数据序号的初始化为0,然后,重复进行从步骤a2到步骤a8。如果变化量△D比规定的阈值T小,则调整收敛,误差运算部分7使下降法运算部分5和元函数调整部分停止工作,结束调整。
调整结束时,在推理规则记忆部分1和元函数记忆部分2中,构成了取进专家知识的推理规则。
如上所述,如果根据本实施例,根据从专家得到的输入输出数据,利用下降法能够得到最佳推理规则。因而,通过使用所得到的推论规则,能够容易地把专家的知识和技能技巧装入机器内。
另外,在实施例中,虽然作为下降法运算部分5的下降法使用了最速下降法,但也可以使用牛顿法、共轭梯度法和Powell法等。另外,虽然在误差运算部分7中通过推理误差值进行调整、结束判断,但也可以利用在调整开始前予先提供调整次数的方法。
下面说明本发明的第二实施例。图5示出本发明第2模糊推理装置的构成图。在图5中,1是记忆模糊推理规则的推理规则记忆部分;3是进行模糊推理推理运算的推理运算部分;7是根据模糊推理结果和输入输出数据计算推理误差的误差运算部分。以上的构成与图1的相同。与图1构成不同的是设置了:存储参量的前事件部分的参量记忆部分8,参量表示前事件部分元函数的形状;存储后事件部分实数值的后事件部分实数值记忆部分9;求得前事件部分元函数的调整方向的前事件部分下降法运算部分10,上述部分根据从专家得到的输入输出数据和推理结果对其利用下降法;基于前事件部分下降法运算部分10的运算结果,更新前事件部分元函数的前事件部分参量调整部分11;求得后事件部分的实数值调整方向的后事件部分下降法运算部分12,上述部分根据从专家得到的输入输出数据和推理结果利用下降法;基于后事件部分下降法运算部分12的运算结果,更新后事件部分实数值的后事件部分实数值调整部分13。
下面,对于如上所述构成的第2实施例模糊推理装置的工作进行说明。
本发明根据从专家得到的输入输出数据,自动调整模糊推理前事件部分元函数和后事件部分实数值。
以2个输入、1个输出的控制系统为例,用图6的流程图来说明本实施例的详细工作。
步骤b1:利用前事件部分参量调整部分11和后事件部分实数值调整部分13,进行前事件部分的元函数和后事件部分实数值的初始设定。另外,还同时进行输入输出数据序号p的初始设定。
在推理规则记忆部分11中,存储着下述推理规则:
R1:如果x1=A11,且x2=A12,那么y=W1
R2:如果x1=A21,且x2=A22,那么y=W2
Rn:如果x1=An1,且x2=An2,那么y=Wn
Ri是推理规则序号,n是推理规则数,Aij(i=1,...,n,j=1,2)是前事件部分的元函数,Wi(i=1,...n)是后事件部分的实数值。
前事件部分的元函数与第1实施例的一样,作成等腰三角形的。其中心值aij和宽度bij的值,按照推理规则的顺序存储在前事件部分参量记忆部分8中。
设定前事件部分元函数Aij中心值aij的初始值,把输入变量的总集合等分。设定宽度bij,使之大于各元函数中心值的间距,以使各元函数重迭。
后事件部分实数值Wi按照推理规则的顺序存储在后事件部分实数值记忆部分9中,其值的初始化为0。
步骤b2:输入来自专家的输入输出数据(X1p,X2p,yr p)。把(x1p,x2p)输入模糊推理运算部分3,把yr p输入误差运算部分7、前事件部分下降法运算部分10以及后事件部分下降法运算部分12中。
步骤b3:使用步骤b2中输入的(x1p,x2p),在模糊推理运算部分3中进行模糊推理。在模糊推理运算部分3中进行用下式表达的运算,确定给控制对象的操作量y* p。
μi=Ai1(X1P)·Ai2(x2p)……(17)
但是,μi是推理规则Ri的前事件部分适应性。
E为(8)式的评价函数。其计算方法与第1实施例的相同。
(i=1,…,n)
Kw为常数。
步骤b6:以与步骤b3同样的顺序,再次进行模糊推理。
(i=1,……,nj=1,2)
步骤b9:比较输入输出数据序号p和输入输出数据的总数N如果输入输出数据的序号p比输入输出数据的总数N小,则使向步骤b10前进的P值增加1,返回到步骤b2,重复进行从步骤b2到步骤b8直到数据序号P和输入输出数据的总数N相等。若输入输出数据序号P比输入输出数据的总数N大,则进到步骤b11。
步骤b11:利用误差运算部分7,计算推理误差D及其变化量△D。与第一实施例相同,用(15)、(16)式运算推理误差D及其变化量△D。
步骤b12:利用误差运算部分7,比较推理误差的变化量△D和规定的阈值T,如果变化量△D比规定的阈值T大,则进到步骤b13,使输入输出数据序号的初始化为O,然后,重复进行从步骤b2到步骤b11。如果变化量△D比规定的阈值T小,则调整收敛,结束调整。
调整结束时,在推理规则记忆部分1和元函数记忆部分2中构成了取入专家知识的推理规则。
如上所述,如果根据本实施例,根据从专家得到的输入输出数据,利用下降法能够得到最佳推理规则。并且,由于推理规则后事件部分是实数值,所以,调整参量的数少,与第1实施例相比,能以更高速度自动进行调整。据此,采用本发明,能够容易把专家的知识和技术技能作为推理规则装入机器内。另外,在第2实施例中,虽然把前事件部分元函数的形状作成三角形的,但用别的形状也行。并且,虽然在前事件部分下降部分运算部分10和后事件部分下降部分运算部分12中使用的下降法是最速下降法,但也可以使用牛顿法、共轭梯度法和Powell法等。而且虽然在本实施例中,同时调整前事件部分的元函数和后事件部分的实数值,但调整其任何一个也行。
下面说明本发明的第三实施例。图7示出本发明第三模糊推理装置的构成图。在图7中,1是记忆模糊推理规则的推理规则记忆部分;2是存储用于模糊推理的元函数和后事件部分函数式的元函数记忆部分;3是进行模糊推理推理运算的模糊推理运算部分;4是控制对象;5是利用根据下降法的运算,求得调整方向的下降法运算部分;6是基于下降法运算部分5的运算结果,更新元函数的元函数调整部分。以上构成与图1的构成相同。与图1构成不同的是设置了:根据输入和观测值之差,输出控制对象4操作量的控制器20;把输入变量进行微分的微分运算部分21;使控制器20的输出和模糊推理规则运算部分3的输出相加的操作量加法部分22。
下面对于如上所述构成的第3实施例模糊推理装置的工作,进行说明。
以前,例如在多个间接操纵装置那样的非线性控制对象和不能忽视干扰等的控制对象中,只用通常的反馈控制难以跟踪目标值的变化。为了解决这样的课题,提出了前馈控制方案。但是,为了设计使用前馈的控制系统,控制对象的逆动力学模型(逆ダヌナミクスモデル)和构成该逆动力学模型的参量必须完全是已知的,因而设计是困难的。
本发明以模糊推理规则的形式自动得到控制对象的逆动力学模型,进行最佳的前馈控制。
下面以1个输入、1个输出的控制系统为例,进行有关本实施例的详细说明。在本实施例中,控制器20只作为比例运算。现在,设目标值为r(t)、来自控制对象的观测值为h(t),则在控制器20中,按照下面公式进行运算:
e(t)=r(t)-h(t)……(22)
u1(t)=K·e(t)……(23)
u1表示控制对象4的操作量,t表示时间,k表示比例常数。
设控制对象的传输特性为G,则观测值h用下式表示:
h=G(u1+u2)……(24)
这里,u2是前馈量,u1和u2的相加运算在操作量加法部分22中进行。
在图7中,用虚线包围的进行前馈运算部分的构成与第1实施例的相同。因而,如果给出某输入输出数据,虚线内的部分则产生充分满足其输入输出关系的模糊推理规则。在该实施例中,设定输入输出数据如下:
输入数据:目标值及其微分量
输出数据:给控制对象的操作量(u1)
根据这样的设定,在输入目标值r和微分量dr/dt时,可以得到输出操作量u1的推理规则。这种关系与输入操作量u1、输出观测量的控制对象相反,形成的推理规则成为控制对象的逆动力学模型。另外,作为输入数据之一目标值r的微分量dr/dt由微分运算部分21得到。在虚线内的结构中,与第1实施例不同之点在于无误差运算部分。在第1实施例中,误差运算部分计算推理误差的变化量,根据该值判断调整的结束。本发明是一直跟踪控制对象变化的自适应型控制,由于需要随时调整,所以,无结束判断之必要。
调整的算法如图8所示那样。步骤C1到步骤C5与图2的步骤a1到步骤a5的相同。不同之点在于,无利用图2中步骤a6以后数据数量的分路和调整结束判断。在本实施例中,重复进行步骤C1到步骤C5。
这样,通过适当地选择输入输出数据,就能自动地得到控制对象的逆动力学模型。
从调整开始一会儿,存储在元函数记忆部分2中的前事件部分的元函数和后事件部分的线性函数不收敛于最佳值,而是输出接近于初始值的u2。因而,形成主要利用控制器20的控制,不能跟踪根据目标值变化的控制对象动力学的变化。然而,随着时间的推移,模糊推理调整增强,掌握了控制对象的逆动力学,则对于目标值的变化也能充分地跟踪了。
如上所述,如果根据本实施例,通过在前馈控制中使用模糊推理,在其调整中使用下降法,在象控制对象存在非线性、不能忽视干扰的控制困难情况下,对于目标值的变化也能跟踪。
在第3实施例中,虽然把控制器20只做成比例控制,但若是PID控制等的其它控制器也行。并且,虽然微分运算部分21只输出输入值的1阶微分,但把高阶微分值加在一起输出也可。而且尽管进行自动调整部分的构成与第1实施例的相同,但该部分也可以使用第2实施例的构成。在这种情况下,推理规则的后事件部分成为实数值,也能够实现本发明第2实施例高速调整等优点
下面说明本发明的第四实施例。图9示出本发明第四个实施例模糊推理装置的构成图。在图9中,1是记忆模糊推理的推理规则的推理规则记忆部分;2是记忆在模糊推理中用的前事件部分元函数形状数据和后事件部分函数式的元函数记忆部分;3是进行模糊推理的运算的模糊推理运算部分;5是根据从专家得到的输入输出数据和推理结果,利用下降法运算,求得调整方向的下降法运算部分;6是基于下降法运算部分5的运算结果,更新元函数的元函数调整部分;7是根据模糊推理结果和输入输出数据,计算推理误差的误差运算部分。以上构成与图1的相同。与图1构成不同的是设置了:显示利用模糊推理运算部分3计算出来的推理结果的推理结果显示部分31;输入用户对于推理结果喜好的用户输入部分32。
下面对于如上所述构成的实施例模糊推理装置的工作,进行说明。
了解每个用户的喜好和感受,在将要实现进行用户越使用越喜好的控制的机器之前,必须把用户的输入作为学习数据,逐次改变控制算法。在本发明中根据把用户的输入拿来,逐次调整模糊推理规则,实现符合用户喜好和敏感性的控制。这是实时地了解用户喜好的自适应型模糊控制。
为了更具体地表明本实施例的工作,下面将从洗衣机洗濯时间的推理为例,加以说明。在全自动洗衣机等中,洗濯时间根据利用光传感器检测洗濯水透射率的变化及其饱和时间来确定。设洗濯时间、洗濯水透射率的变化、洗濯水透射率的饱和时间分别为y、x1、x2。它们的关系能够用模糊推理规则描述如下:
R1:如果X1=A11,且X2=A12,那么y=f1(x1,x2)
R2:如果X1=A21,且X2=A22,那么y=f2(x1,x2)
Rn:如果x1=An1,且x2=An2,那么y=fn(x1,x2)考虑逐步了解,使这些推论规则与用户的感受和喜好一致。
下面根据图10的流程图,说明本实施例的工作。
步骤d1:对存储在推理规则记忆部分1和元函数记忆部分2中的模糊推理规则、前事件部分的元函数,后事件部分的实数值进行初始设定。在洗衣机发货以前,在洗衣机内设定了标准的推理规则,仅用这种推理规则也能得到良好的洗濯时间。这是因为在没有错误了解的状态下,就能充分洗濯。在这种初始推理规则的结构中,既可使用本发明第一实施例,也可象以往那样利用尝试法实验及对专家采访的方法。
步骤d2:在洗濯开始时,将输入数据拿到模糊推理运算部分3中。把洗衣机光传感器检测的洗濯水透射率的变化x1和饱和时间x2输入。
步骤d3:在模糊推理运算部分3中,根据洗濯水透射率的变化x1、饱和时间x2进行模糊推理,得到作为推理结果的洗濯时间y*。模糊推理的工作程序与第1实施例的步骤a3相同。
步骤d4:在推理结果显示部分31上,向用户显示作为推理结果的洗濯时间y*。用户根据自己的喜好,从用户输入部分32输入对于作为该推理结果的洗濯时间y*的修正量。比如,洗濯很脏的衣服时,通过模糊推理洗濯时间显示为10分。这时,用户如果认为延长该洗濯时间才好,则用户把自己所需的洗濯时间与所显示的洗濯时间之差输入给用户输入部分32,来设定更长的洗濯时间。用户输入部分32输出该修正量y′。如果用户对于所显示的推理结果不加变更,则修正量为0。
步骤d5:在下降法运算部分5中,弄清作为来自用户输入部分32的输出修正量y′是否为0。如果修正量为0,则认为引导该推理结果的模糊推理规则表示了用户的爱好。不作推理规则的调整,进到步骤d2,等待下一次洗濯开始时传感器的输入。如果修正量不是0,则进到步骤d6。
步骤d6、d7:在下降法运算部分5中,设推理结果y*加修正量y′和yr,然后,把修正量yr和输入数据x1,x2作为1个输入输出数据,进行根据下降法的元函数的调整。该调整运算与第1实施例步骤a4、5a的相同。若元函数的更新结束了,则返回步骤d2,等待下一次洗濯开始时传感器的输入。
如上所述,如果根据本发明,利用推理结果显示部分引向用户显示模糊推理的结果,通过用户输入部分32输入用户对模糊推理结果的喜好,借此,使用下降法,变更模糊推理的元函数。据此,能够实现能够使用户越使用越喜好的控制的机器。
在实施例中,虽然是以洗衣机为例说明的,但是,其它机器也行。并且,虽然使自动调整部分的构成与第1实施例的一样,但在该部分中,使用第2实施例的构成也行,在这种情况下,推理规则的后事件部分成为实数值,也能够实现本发明第2实施例高速调整等优点。
下面说明本发明的第五实施例。图11示出本发明第五实施例模糊推理装置的构成图。在图11中,1是记忆模糊推理的推理规则的推理规则记忆部分;2是记忆在模糊推理中用的前事件部分元函数形状数据和后事件部分函数式的元函数记忆部分;3是进行模糊推理的运算的模糊推理运算部分;5是根据从专家得到的输入输出数据和推理结果,利用下降法运算,求得调整方向的下降法运算部分;6是基于下降法运算部分5的运算结果,更新元函数的元函数调整部分;7是根据模糊推理结果和输入输出数据计算推理误差的误差运算部分。以上构成与图1的相同。与图1构成不同的是设置了:检索推理规则记忆部分1和元函数记忆部分2,得到自适应范围大的推理规则的推理规则检索部分41;和显示在推理规则检索部分31中得到的推理规则的推理规则显示部分42。
下面对于如上所述构成的实施例的模糊推理装置的工作,进行说明。
在本发明第一实施例中,自动实现模糊推理元函数的结构,能够把专家的知识作成推理规则而得到。然而,在从专家得到的输入输出数据中含有非常多的噪声情况下,有时调整进到非予期的方向上。并且,由于过剩调整,虽然对于所给出的输入输出数据能够实现推理误差小的推理,但在调整时,对于没有给出的数据,有时推理误差变得非常大。为了避免这样的状况,设计者和用户有必要掌握和检查自动构成的推理规则和元函数。
为了解决这些问题,在本发明中,把利用自动调整而得到的推理规则显示出来。而且,为了高效率地进行推理规则的检查,先从适应范围大的推理规则中展示。
自动调整工作程序与第1实施例图2的流程图一样。不同的部分是在调整结束后进行推理规则的显示。在调整结束后,推理规则检索部分41检索元函数记忆部分2,进行下式运算:
(i = 1…n)
Si表示推理规则Ri适应范围的宽度。按照Si的大小顺序把推理规则Ri及其元函数的形状和后事件部分函数式的参量送到推理规则显示部分42上。
推理规则显示部分42由阴极射线管及其控制装置构成,显示从推理规则检索部分41送来的推理规则及用于其上的元函数等信息。
如上所述,如果根据本实施例,能够把利用下降法得到的模糊推理规则,按照适应范围宽度的顺序显示出来。因此,用户能够知道利用自动调整得到的推理规则,使得对于调整的进行状态和推理规则的检查成为可能。
另外,在实施例中,虽然使用阴极射线管作为推理规则显示部分42,但也可以使用发光二极管和液晶显示器等。并且,虽然使自动调整部分的构成与第1实施例的一样,但在该部分中,使用第2实施例的构成也行。在这种情况下,推理规则的后事件部分成为实数值,也能够实现本发明第2实施例高速调整等优点。
下面说明本发明的第六实施例。图12示出本发明第六实施例模糊推理装置的构成图。在图12中,1是记忆模糊推理的推理规则的推理规则记忆部分;2是存储在推理规则中用的前事件部分元函数和后事件部分函数式的元函数记忆部分;3是进行模糊推理的运算的模糊推理运算部分;4是控制对象;6是基于下降法运算部分5′的运算结果,更新元函数的元函数调整部分。以上构成与图1的相同。与图1构成不同的是设置了;根据来自控制对象的观测值h运算评价值的评价值运算部分51;产生台阶状输入信号的输入信号发生部分52;根据来自控制对象4的观测值h利用下降法进行运算,求得调整方向的下降法运算部分5′。
下面对于如上所述构成的第6实施例模糊推理装置的工作,进行说明。
过去,根据对专家采访的方法和尝试法实验的积累来进行模糊推理规则结构和元函数的设计。因此,模糊推理的问题在于,所需设计时间长,由于依靠人手,所以难于作出最佳设计。本发明使设计者任意设定的评价函数为最好那样地进行模糊推理的自动调整。与本发明的第一实施例不同,本实施例不需要来自专家的输入输出数据。
以2个输入、1个输出的控制系统为例,利用图13的流程图详细说明本实施例的工作程序。
步骤f1:本实施例的推理规则记忆部分1、元函数记忆部分2以及模糊推理运算部分3的构成与第1实施例的相同。推理规则和元函数的构成也一样。在步骤f1中,与第1实施例步骤a1相同,进行元函数的初始化。
步骤f2:利用输入信号发生部分52,把象图14(a)那样的阶梯状函数输入到模糊推理运算部分3中。图中R为控制目标值。
步骤f3:与第1实施例的步骤a3一样,进行模糊推理。
步骤f4:按照下式设定自动调整中的评价函数E,在评价函数运算部分51中计算其值。
E=∫(h(t)-R)2dt……(26)
这里,R为目标值,t为时间。
图14(b)示出控制对象输出h(t)对于阶梯输入的响应,水平轴为时间。上式中,E表示图14(b)斜线部分的面积,称为误差平方的面积,表示控制响应的品质因数。当响应迟缓及存在恒定偏差时,误差平方的面积成为大值。因此,误差平方面积之值小时,进行最好的控制。
在本实施例中,设评价函数E为误差平方面积,用下降法,使E最小那样地进行自动调整。
另外,在本实施例中,虽然设评价函数为误差平方面积,但也可以用加权误差面积、上升时间,超量等其它评价。
为了进行使评价函数最小化的调整,在本实施例中,使用作为下降法中的一种方法,最速下降法。在最速下降法中,基于评价函数的微分值,来更新调整参量。与第1实施例一样,计算根据调整参量的评价函数微分值。现在,求出利用ri的评价函数微分值。
k=1
这里,T为模糊推理的抽样时间
步骤f5:利用评价法运算部分5,判断来自控制对象的输出h(t)是否收敛于目标值。利用下面的条件式来判断:
|h(t)-R|<0.05 R……(29)
不满足该条件时,返回步骤f3。
步骤f6:和第1实施例步骤a5一样,根据计算出来的 E/ aij、 E/ bij、 E/ pi、 E/ qi、 E/ ri,利用元函数调整部分6,更新存储在元函数记忆部分2中的调整参量aij、bij、pi、qi、ri。
步骤f7:利用评价值运算部分51,根据公式(26),求评价值E。
步骤f8:利用评价值运算部分51,使评价值E与给定的阈值TE比较。当评价值E比阈值TE大时,判断为还没有进行充分的调整,回到步骤f2,重复步骤f2~f7。当评价值E比阈值TE小时判断为得到了控制性十分好的模糊推理规则,使下降法运算部分5′和元函数调整部分6停止工作。
如上所述,如果根据本发明,利用下降法能够自动产生使作为评价函数E的误差平方面积成为最佳的模糊推理规则。因此,使评价函数自动地成为最佳的机器控制成为可能。
并且,在第2实施例中,虽然把前事件部分元函数的形状作成三角形的,但用别的形状的元函数也行。并且,虽然在前事件部分下降法运算部分10和后事件部分下降法运算部分12中使用的下降法是最速下降法,但也可以使用牛顿法、共轭梯度法和Po-well法等。
如果根据本发明,根据从专家得到的输入输出数据,利用下降法能够得到最佳的推理规则。因此,能够容易地把专家的知识和技术技能作成推理规则装入机器。
Claims (6)
1、一种模糊推理装置,其特征是设置了:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆在所述模糊推理中使用的推理规则;元函数记忆部分,记忆在所述推理规则中使用的前事件部分元函数的形状数据和后事件部分的函数;下降法运算部分,根据预先给出的输入输出数据和从所述模糊推理运算部分得到的推理结果,进行利用下降法的运算;元函数调整部分,根据所述下降法运算部分的输出,使前事件部分元函数和后事件部分函数的至少其一发生变化;误差运算部分,根据所述输入输出数据和从所述模糊推理运算部分得到的推理结果,计算推理误差,当推理误差小于给定值时,使所述下降法运算部分和所述元函数调整部分停止工作。
2、一种模糊推理装置,其特征是设置了:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆在所述模糊推理中使用的推理规则;前事件部分参量记忆部分,记忆表示在所述推理规则中使用的前事件部分元函数形状的参量;后事件部分实数值记忆部分,记忆用于所述推理规则的后事件部分实数值;前事件部分下降法运算部分,该部分进行对于参量的下降法运算,参量表示根据预先给出的输入输出数据和从所述模糊推理运算部分得到的推理结果的前事件部分元函数的形状;前事件部分参量调整部分,该部分表示元函数形状的参量变化,元函数根据所述前事件部分下降法运算部分的输出,存储在所述事件部分参量记忆部分中;后事件部分下降法运算部分,根据预先给出的输入输出数据和从所述模糊推理运算部分得到的推理结果,进行对于后事件部分实数值的下降法运算;后事件部分实数值调整部分,根据所述后事件部分下降法运算部分的输出改变存储在所述后事件部分实数值记忆部分中的后事件部分实数值;误差运算部分,根据所述输入输出数据和从所述模糊推理运算部分得到的推理结果,计算推理误差,当推理误差比给定值小时,使所述前事件部分下降法运算部分和所述前事件部分参量调整部分以及所述后事件部分下降法运算部分和所述后事件部分实数值调整部分停止工作。
3、一种模糊推理装置,其特征是设置了:控制器,根据控制输入值和来自控制对象的观测值,输出给控制对象的操作量;微分运算部分,求控制输入值的微分量;模糊推理运算部分,根据控制输入值和所述微分运算部分的输出进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆用于所述模糊推理的推理规则;元函数记忆部分,记忆用于所述推理规则的前事件部分元函数的形状数据和后事件部分的函数;操作量相加部分,把所述控制器和所述模糊推理运算部分的输出相加,施加给控制对象;下降法运算部分,根据所述控制器的输出和从所述模糊推理运算部分得到的推理结果,进行利用下降法的运算;元函数调整部分,根据所述下降法运算部分的输出,使存储在所述元函数记忆部分中的前事件部分元函数和后事件部分函数的至少其一发生变化。
4、一种模糊推理装置,其特征是设置了:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆用于所述模糊推理的推理规则;元函数记忆部分,记忆用于所述推理规则的前事件部分元函数的形状数据和后事件部分的函数;用户输入部分,输入用户对于所述模糊推理运算部分输出的喜好;下降法运算部分,当所述用户输入部分有输入时,根据从所述模糊推理运算部分得到的推理结果和所述用户输入部分的输出,进行利用下降法的运算;元函数调整部分,根据所述下降法运算部分的输出,使存储在所述元函数记忆部分中的前事件部分元函数和后事件部分函数的至少其一发生变化;误差运算部分,根据所述输入输出数据和从所述模糊推理运算部分得到的推理结果,计算推理误差,当推理误差比给定值小时,使所述下降法运算部分和所述元函数调整部分停止工作。
5、一种模糊推理装置,其特征是设置了:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆用于所述模糊推理的推理规则;元函数记忆部分,记忆用于所述推理规则的前事件部分元函数的形状数据和后事件部分的函数;下降法运算部分,根据预先给出的输入输出数据和从所述模糊推理运算部分得到的推理结果,进行利用下降法的运算;元函数调整部分,根据所述下降法运算部分的输出,使前事件部分元函数和后事件部分函数的至少其一发生变化;误差运算部分,根据所述输入输出数据和从所述模糊推理运算部分得到的推理结果,计算推理误差,当推理误差比给定值小时,使所述下降法运算部分和所述元函数调整部分停止工作;推理规则显示部分,检索所述推理规则记忆部分和所述元函数记忆部分,显示推理规则。
6、一种模糊推理装置,其特征是设置了:模糊推理运算部分,根据控制输入值及来自控制对象的观测值进行模糊推理,输出给控制对象的操作量;推理规则记忆部分,记忆用于所述模糊推理的推理规则;元函数记忆部分,记忆用于所述推理规则的前事件部分元函数的形状数据和后事件部分的函数;下降法运算部分,根据从所述模糊推理运算部分得到的推理结果,进行利用下降法的运算;元函数调整部分,根据所述下降法运算部分的输出,使前事件部分元函数和后事件部分函数的至少其一发生变化;评价值运算部分,根据前述控制对象的观测值,求得表示控制性品质因数的评价值,当评价值比给定值好时,使所述下降法运算部分和所述元函数调整部分停止工作。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP233546/1990 | 1990-09-03 | ||
JP233546/90 | 1990-09-03 | ||
JP2233546A JP2543242B2 (ja) | 1990-09-03 | 1990-09-03 | ファジィ推論装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1059609A true CN1059609A (zh) | 1992-03-18 |
CN1099635C CN1099635C (zh) | 2003-01-22 |
Family
ID=16956756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN91108631A Expired - Fee Related CN1099635C (zh) | 1990-09-03 | 1991-09-03 | 模糊推理装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US5251288A (zh) |
EP (1) | EP0474104B1 (zh) |
JP (1) | JP2543242B2 (zh) |
CN (1) | CN1099635C (zh) |
DE (1) | DE69131566T2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1093287C (zh) * | 1998-04-03 | 2002-10-23 | 中国科学院计算技术研究所 | 模糊推理协处理器 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5432885A (en) * | 1987-10-16 | 1995-07-11 | Mitsubishi Denki Kabushiki Kaisha | Recurrent fuzzy inference apparatus |
US5471677A (en) * | 1992-06-24 | 1995-11-28 | Matsushita Electric Industrial Co., Ltd. | Data retrieval using user evaluation of data presented to construct interference rules and calculate range of inputs needed for desired output and to formulate retrieval queries |
JPH0675772A (ja) * | 1992-08-26 | 1994-03-18 | Omron Corp | メンバーシップ関数自動作成装置および方法 |
JPH06187160A (ja) * | 1992-12-15 | 1994-07-08 | Ricoh Co Ltd | メンバーシップ関数のチューニング装置 |
JPH09501554A (ja) * | 1993-09-20 | 1997-02-10 | ケーブルトロン・システムズ・インコーポレーテッド | ファジー論理を利用する通信ネットワーク管理用のシステム及び方法 |
DE19502230C2 (de) * | 1995-01-25 | 1998-07-30 | Univ Dresden Tech | Fuzzy-Regler für ein technisches System |
US5758025A (en) * | 1995-06-05 | 1998-05-26 | Wu; Kung Chris | Dynamically adaptive fuzzy interval controller |
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 |
US6795815B2 (en) * | 2000-12-13 | 2004-09-21 | George Guonan Zhang | Computer based knowledge system |
US8478005B2 (en) | 2011-04-11 | 2013-07-02 | King Fahd University Of Petroleum And Minerals | Method of performing facial recognition using genetically modified fuzzy linear discriminant analysis |
US9322127B2 (en) * | 2013-05-22 | 2016-04-26 | Whirlpool Corporation | Method of operating a home appliance |
WO2017134735A1 (ja) * | 2016-02-02 | 2017-08-10 | 株式会社日立製作所 | ロボットシステム、ロボットの最適化システム、およびロボットの動作計画学習方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61218323A (ja) * | 1985-03-20 | 1986-09-27 | 株式会社東芝 | 事故判定方法 |
US4754410A (en) * | 1986-02-06 | 1988-06-28 | Westinghouse Electric Corp. | Automated rule based process control method with feedback and apparatus therefor |
JPH0676181B2 (ja) * | 1988-02-01 | 1994-09-28 | フジテック株式会社 | エレベータの群管理制御方法及び装置 |
EP0337423B1 (en) * | 1988-04-13 | 1995-10-18 | Hitachi, Ltd. | Process control method and control system |
US5168549A (en) * | 1988-05-20 | 1992-12-01 | Matsushita Electric Industrial Co., Ltd. | Inference rule determining method and inference device |
JPH02132502A (ja) * | 1988-07-28 | 1990-05-22 | Omron Tateisi Electron Co | ファジィ制御装置における動作方法および調整装置 |
JPH0272405A (ja) * | 1988-09-08 | 1990-03-12 | Yokogawa Electric Corp | メンバーシップ関数決定方法 |
ATE164241T1 (de) * | 1988-12-14 | 1998-04-15 | Omron Tateisi Electronics Co | Fuzzy-gerät |
JP2820704B2 (ja) * | 1989-02-08 | 1998-11-05 | 津田駒工業株式会社 | 織機の回転数のファジィ制御方法および装置 |
-
1990
- 1990-09-03 JP JP2233546A patent/JP2543242B2/ja not_active Expired - Fee Related
-
1991
- 1991-08-26 US US07/750,120 patent/US5251288A/en not_active Expired - Lifetime
- 1991-08-28 DE DE69131566T patent/DE69131566T2/de not_active Expired - Fee Related
- 1991-08-28 EP EP91114423A patent/EP0474104B1/en not_active Expired - Lifetime
- 1991-09-03 CN CN91108631A patent/CN1099635C/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1093287C (zh) * | 1998-04-03 | 2002-10-23 | 中国科学院计算技术研究所 | 模糊推理协处理器 |
Also Published As
Publication number | Publication date |
---|---|
US5251288A (en) | 1993-10-05 |
DE69131566D1 (de) | 1999-10-07 |
EP0474104A3 (en) | 1993-02-24 |
JPH04112302A (ja) | 1992-04-14 |
EP0474104B1 (en) | 1999-09-01 |
EP0474104A2 (en) | 1992-03-11 |
DE69131566T2 (de) | 2000-05-04 |
CN1099635C (zh) | 2003-01-22 |
JP2543242B2 (ja) | 1996-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1059609A (zh) | 模糊推理装置 | |
CN1044522C (zh) | 过程控制装置 | |
CN1225679C (zh) | 最速地实现自抗扰反馈控制的方法及其装置 | |
CN1057852C (zh) | 过程控制装置及调整过程控制装置中控制器的工作参数的方法 | |
CN1181416C (zh) | 预测控制设备 | |
CN1242307C (zh) | 工业过程的无模型自适应控制器及控制系统 | |
CN1238833C (zh) | 语音识别装置以及语音识别方法 | |
CN100346856C (zh) | 精馏塔的一种自动控制和优化方法 | |
CN1053247C (zh) | 配水流量预测装置 | |
CN1066831C (zh) | 控制器和自适应修改参数的方法 | |
CN1661642A (zh) | 目标值加工装置、温度调节器、控制过程执行系统和方法 | |
CN1484118A (zh) | 过程控制器的无模型自适应 | |
CN1044864A (zh) | 真值变换器 | |
CN1063381A (zh) | 电压或无功控制方法及其控制设备 | |
CN1026622C (zh) | 两自由度控制装置 | |
CN1846218A (zh) | 人工神经网络 | |
CN1758991A (zh) | 机器人装置、其行为控制方法及程序 | |
CN1304345A (zh) | 机器人装置及其控制方法 | |
CN1229482A (zh) | 同时学习与执行信息处理系统 | |
CN100347561C (zh) | 监视信号输出电路、电池组、电池电压监视电路及方法 | |
CN1894637A (zh) | 模型预测控制器中核心过程模型的使用 | |
CN1167948A (zh) | 一种高效的数据驱动理论修正系统 | |
CN1497402A (zh) | 过程控制系统优化程序中的约束和限制可行性处理 | |
CN1327551A (zh) | 控制器的设计装置 | |
CN1261740A (zh) | 滤波器及获得滤波器系数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |