Выпуск 2013 № 1
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ ФИЗИЧЕСКИМИ И ЛОГИЧЕСКИМИ ЭКСПЕРИМЕНТАМИ. Ч.1: ЛОГИКА НЕПРОТИВОРЕЧИВОСТИ И КОРРЕКТНОСТЬ АППРОКСИМАЦИИ ФОРМАЛИЗУЕМЫХ ФИЗИЧЕСКИХ МОДЕЛЕЙ – РАСЧЕТНЫЕ И МАТЕМАТИЧЕСКИЕ МОДЕЛИ ОБЪЕКТОВ
Рассмотрены общие вопросы построения корректных математических моделей физических объектов. Введены необходимые информационно-термодинамические ограничения на физическую реализуемость математических моделей.

СИНЕРГИЗМ ИНФОРМАЦИИ В ИНТЕЛЛЕКТУАЛЬНОМ УПРАВЛЕНИИ И ПРИНЦИП КОМПЕНСАЦИИ НЕПОЛНОТЫ ИЗВЛЕКАЕМЫХ ЗНАНИЙ. Ч. 1: ПАРАДОКСЫ ЛОГИКИ АДЕКВАТНОСТИ ФИЗИЧЕСКИХ МОДЕЛЕЙ В ПРОБЛЕМЕ ВУНДГЕЙЛЕРА
Рассматривается решение проблемы Вундгейлера об адекватности исходных и преобразованных моделей физических релятивистских объектов управления. Введен принцип компенсации неполноты извлекаемых знаний на основе применения интеллектуальных вычислений и синергизма квантовой информации, скрытой в классических состояниях процессов управления.

ПОДСИСТЕМА НЕЧЁТКОГО ВЫВОДА ДЛЯ ОПТИМИЗАТОРА БАЗ ЗНАНИЙ НА ТЕХНОЛОГИЯХ МЯГКИХ ВЫЧИСЛЕНИЙ
В статье рассматривается архитектура системы нечёткого вывода, реализованная в рамках инструментария оптимизатора баз знаний на мягких вычислениях. Разработанная архитектура подразумевает вынесение интерфейса алгоритмов, заинтересованных в получении списка активных правил, в отдельный класс. Сам алгоритм нечёткого вывода реализован в виде шаблонного метода, примитивные операции которого реализованы в классах конкретных моделей нечёткого вывода и баз правил. При этом алгоритм конфигурируется объектом, которому необходимо направлять список активных правил. Описаны три режима работы подсистемы: нечёткий вывод, создание неполных баз правил и анализ правил. Представлены результаты работы оптимизатора баз знаний на примере создания ИСУ неустойчивым динамическим объектом. Проведенное тестирование показало, что спроектированная в оптимизаторе ИСУ, обладает большей робастностью, чем ИСУ, спроектированные с использованием других современных средств.

ПРОЕКТИРОВАНИЕ БАЗ ЗНАНИЙ РОБАСТНЫХ НЕЧЕТКИХ РЕГУЛЯТОРОВ В НЕПРЕДВИДЕННЫХ СИТУАЦИЯХ УПРАВЛЕНИЯ: ПРОДУКЦИОННЫЕ ПРАВИЛА ВЫВОДА С УЧЕТОМ ИНФОРМАЦИОННОЙ ОЦЕНКИ ПРИРАЩЕНИЯ РИСКА
Описана модель информационной оценки приращения риска в нештатной ситуации, позволяющая повысить робастность баз знаний за счет включения описания параметров риска нештатной ситуации в продукционные правила управления нечеткого регулятора. Представлен алгоритм проектирования баз знаний для робастных нечетких регуляторов, способных функционировать в условиях неопределенности исходной информации. На тестовом примере рассмотрено эффективное применение разработанной технологии проектирования робастного управления.

ПРОЕКТИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ РОБОТОМ МАНИПУЛЯТОРОМ. Ч. 2: ДЕКОМПОЗИЦИЯ УПРАВЛЕНИЯ И ФИЗИЧЕСКИЙ ЭКСПЕРИМЕНТ НА ОСНОВЕ ТЕХНОЛОГИИ МЯГКИХ ВЫЧИСЛЕНИЙ
В статье рассматриваются проблемы проектирования систем управления с различной степенью интеллектуальности для реального объекта управления – Модуля Манипулятора с тремя степенями свободы. Демонстрируется преимущество интеллектуальной системы управления, спроектированной на основе технологий мягких вычислений по сравнению с классической системой автоматического управления и системой управления на основе генетического алгоритма. Исследуются варианты организации единого управляющего звена, а также методы разделения (декомпозиции) управления.

ПРОЕКТИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ РОБОТОМ МАНИПУЛЯТОРОМ. Ч. 3: МОДЕЛИРОВАНИЕ И ФИЗИЧЕСКИЙ ЭКСПЕРИМЕНТ НА ОСНОВЕ ТЕХНОЛОГИЙ КВАНТОВЫХ ВЫЧИСЛЕНИЙ
В статье рассматривается стратегия самоорганизации баз знаний нечетких однотипных регуляторов с применением технологий квантовых вычислений. На примере реального объекта управления – Модуля Манипулятора с тремя степенями свободы демонстрируется эффективность предложенной методологии для работы как в штатных, так и непредвиденных ситуациях управления.

НЕЧЕТКИЙ РЕГУЛЯТОР СО СКОЛЬЗЯЩИМ РЕЖИМОМ НА ОСНОВЕ МЯГКИХ ВЫЧИСЛЕНИЙ: СРАВНЕНИЕ С ИНСТРУМЕНТАРИЕМ FIS И ANFIS
В статье проводится исследование управления со скользящим режимом для неустойчивой динамической системы каретка-маятник с использованием инструментария оптимизатора баз знаний на основе мягких вычислениях. Рассматривается сравнение качества баз знаний, созданных с помощью эксперта и интеллектуальных систем управления: оптимизатора баз знаний и инструментария МАТЛАБ FIS и ANFIS на основе моделирования управления неустойчивого динамического объекта.

МЕТОД ИЗВЛЕЧЕНИЯ ЗНАНИЙ ИЗ ФИЗИЧЕСКИ ИЗМЕРЯЕМОГО СИГНАЛА ОБУЧЕНИЯ: ПРОЕКТИРОВАНИЕ БАЗ ЗНАНИЙ НЕЧЕТКОГО РЕГУЛЯТОРА
В статье рассматриваются методы проектирования баз знаний на основе моделей интеллектуальной системы автоматического управления на примере динамически неустойчивого объекта типа «каретка – перевернутый маятник». Приводится сравнение систем управления на основе ПИД-регулятора и нечетких регуляторов с применением программного инструментария «оптимизатор баз знаний». Для создания базы знаний интеллектуального регулятора используются два источника обучающего сигнала: реальный объект управления и верифицированная математическая модель. Описан метод верификации математической модели на основе генетического алгоритма.

РОБАСТНОЕ ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ ФИЗИЧЕСКИМ ДИНАМИЧЕСКИ НЕУСТОЙЧИВЫМ ОБЪЕКТОМ «КАРЕТКА – ПЕРЕВЕРНУТЫЙ МАЯТНИК». Ч. 2: ТЕХНОЛОГИИ КВАНТОВЫХ ВЫЧИСЛЕНИЙ
В статье рассматривается технология проектирования интеллектуальной системы управления на основе квантового нечеткого вывода. Проводится сравнение результатов моделирования и физического эксперимента Использование разработанной методологии проектирования основано на самоорганизации знаний и приводит к повышению уровня робастности интеллектуальных систем управления в непредвиденных ситуациях.

ТЕХНОЛОГИЯ ДИСТАНЦИОННОГО ПРОЕКТИРОВАНИЯ РОБАСТНОГО ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ АВТОНОМНЫМ РОБОТОМ. Ч. 1: ПРИМЕНЕНИЕ ОПТИМИЗАТОРА БАЗ ЗНАНИЙ НА МЯГКИХ ВЫЧИСЛЕНИЯХ
В статье приведено описание технологии дистанционного проектирования баз знаний нечетких регуляторов разработанных с использованием программного инструментария «Оптимизатор Баз Знаний». Рассматривается возможность настройки базы знаний с использованием дистанционного подключения к объекту управления. Сравнение качества управления разработанных нечетких регуляторов проводится на основе математического моделирования и физического эксперимента в типовой и непредвиденной ситуациях управления.

КЛАСТЕРНЫЙ АНАЛИЗ НА ОСНОВЕ КАЧЕСТВА РЕПРЕЗЕНТАТИВНЫХ ОЦЕНОК ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
В работе вводятся показатели качества изображений, методы их оценки, а также осуществляется отбор наиболее репрезентативных показателей. Далее проводится кластерный анализ выборки изображений с целью последующего использования его результатов для получения обучающего сигнала, необходимого при проектировании базы знаний нечеткого регулятора, управляющего параметрами алгоритма распознавания образов. Кластерный анализ выполняется с помощью метода k-средних и алгоритма модели гауссовых смесей.
