Статья

Название статьи МЯГКИЙ НЕЙРОНЕЧЕТКИЙ АЛГОРИТМ УПРАВЛЕНИЯ МОБИЛЬНЫМ РОБОТОМ
Автор М.В. Бобырь, В.С. Титов
Рубрика РАЗДЕЛ IV. НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ УПРАВЛЕНИЯ
Месяц, год 10, 2015
Индекс УДК 004.896; 681.518.
DOI
Аннотация Рассмотрен способ управления мобильным роботом в лабиринте с использованием мягких вычислений. Отличительной особенностью представленного способа является использование в структуре нечеткого вывода мягких арифметических операций. Мягкий нейронечеткий алгоритм управления мобильным роботом представлен в виде определенной последовательности шагов. Приведены структурная схема мобильного робота и два режима его работы. В первом режиме мобильный робот способен перемещаться вдоль линии, а во втором режиме он способен находить путь в лабиринте. Для определения расстояний робот использует ультразвуковые и лазерные сенсоры. Программный код, позволяющий находить расстояния, также представлен в статье. Для управления приводами мобильного робота используется широтно-импульсная модуляция. Структурная схема позволяющая передавать сигнал на двигатели мобильного робота с помощью широтно-импульсной модуляции, представлена в статье. Для оценки качества предложенного мягкого нейронечеткого алгоритма используется коэффициент RMSE. Работоспособность предложенного алгоритма подтверждена имитационным моделированием. Регрессионная модель и модель нечеткого вывода, основанная на жестких арифметических операциях нахождения минимума и максимума, являлись аналогами, с которыми сравнивалась работа предложенного в статье мягкого нейронечеткого алгоритма управления мобильным роботом. Приведенные результаты имитационного моделирования, показывают превосходство предложенного метода над аналогами. В работе показана возможность минимизации RMSE за счет модификации параметров сигмодальной функции принадлежности, описывающей выходную переменную нечеткой системы. Для подтверждения эффективности такого подхода в работе проведены дополнительные экспериментальные исследования, которые подтверждают функциональное превосходство мягкого нейронечеткого алгоритма управления мобильным роботом над аналогами.

Скачать в PDF

Ключевые слова Нечеткая логика; мягкие вычисления; RMSE; мобильный робот; нейронечеткий алгоритм.
Библиографический список 1. Dubois D., Prade H. Soft computing, fuzzy logic, and artificial intelligence // Soft Computing. – 1998. – No. 2. – P. 7-11.
2. Zadeh L.A. Some reflections on soft computing, granular computing and their roles in the conception, design and utilization of information/intelligent systems // Soft Computting. – 1998. – No. 2. – P. 23-25.
3. Пегат А. Нечеткое моделирование и управление: пер. с англ. – 2-е изд. – М.: БИНОМ. Лаборатория знаний, 2013. – 798 с.
4. Rouzbeh Shad, Arefeh Shad, Mohammad Saadi Mesgari, Hossein Aghamohammadi, Damoon Molaei. Fuzzy topological simulation for deducing in GIS // Applied Geomatics. – 2009. – No.12. – Vol. 1, Issue 4. – P. 121-129.
5. Takeshi Morishita, Osamu Tojo. Integer inverse kinematics method using fuzzy logic // Intelligent Service Robotics. – 2013. – Vol. 6, Issue 2. – P. 101-108.
6. Babak Rezaee. Desulfurization process using Takagi–Sugeno–Kang fuzzy modeling // The International Journal of Advanced Manufacturing Technology January. – 2010. – Vol. 46, Issue 1. – P. 191-197.
7. Финаев В.И., Синявская Е.Д., Пушнина И.В. Нечеткая модель управления температурой в хлебопекарной камере // Известия ЮФУ. Технические науки. – 2015. – № 4 (165). – С. 149-159.
8. Бобырь М.В., Милостная Н.А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. – 2015. – № 7. – С. 7-14.
9. Бобырь М.В., Кулабухов С.А. Дефаззификация вывода из базы нечетких правил на основе метода разности площадей // Вестник компьютерных и информационных технологий. – 2015. – № 9 (135). – С. 32-41.
10. Бобырь М.В. Адаптация системы управления мобильным роботом на основе нечеткой логики // Мехатроника, автоматизация, управление. – 2015. – Т. 16, № 7. – С. 449-455.
11. Бобырь М.В., Милостная Н.А. Нечеткая модель интеллектуальной системы управления мобильным роботом // Проблемы машиностроения и автоматизации. – 2015. – № 3. – С. 57-67.
12. Бобырь М.В., Титов В.С., Беломестная А.Л. Стабилизация теплового режима в процессе резания // Мехатроника, автоматизация, управление. – 2010. – № 6. – С. 38-41.
13. Бобырь М.В., Титов В.С. Метод коррекции параметров режима резания в системах с ЧПУ // Мехатроника, автоматизация, управление. – 2010. – № 7. – С. 49-53.
14. Емельянов С.Г., Титов В.С., Бобырь М.В. Интеллектуальные системы на основе нечеткой логики и мягких арифметических операций: Учеб. пособие. – М.: АРГАМАК-МЕДИА, 2014. – 341 с.
15. Бобырь М.В., Титов В.С., Нассер А.А. Оценка числа итераций при обучении мягких нечётких систем // Известия Юго-Западного государственного университета. – 2014. – № 3 (54). – С. 30-37.
16. Бобырь М.В., Титов В.С., Червяков Л.М. Адаптация сложных систем управления с учётом прогнозирования возможных состояний // Автоматизация. Современные технологии. – 2012. – № 5. – С. 3-10.
17. Бобырь М.В., Титов В.С., Милостная Н.А., Глобин П.В. Оценка достоверности при моделировании нечетко-логических систем // Промышленные АСУ и контроллеры. – 2012. – № 7. – С. 32-38.
18. Palani S., Natarajan U., Chellamalai M. On-line prediction of micro-turning multi-response variables by machine vision system using adaptive neuro-fuzzy inference system (ANFIS) // Machine Vision and Applications. – 2013. – Vol. 24, Issue 1. – P. 19-32.
19. Nihal Erginel. Modeling and analysis of packing properties through a fuzzy inference system // Journal of Intelligent Manufacturing. – 2010. – Vol. 21, Issue 6. – P. 869-874.
20. Sutapa Chaudhuri, Anirban Middey. Adaptive neuro-fuzzy inference system to forecast peak gust speed during thunderstorms // Meteorology and Atmospheric Physics. – 2011. – Vol. 114, Issue 3-4. – P. 139-149.
21. Muzzioli S., De B. Baets A comparative assessment of different fuzzy regression methods for volatility forecasting // Fuzzy Optimization and Decision Making. – 2013. – Vol. 12, Issue 4. – P. 433-450.
22. Karakus M., Tutmez B. Fuzzy and multiple regression modelling for evaluation of intact rock strength based on point load, schmidt hammer and sonic velocity // Rock mechanics and rock engineering. – 2006. – Vol. 39, No. 1. – P. 45-57.
23. Бобырь М.В., Емельянов С.Г., Милостная Н.А. О некоторых свойствах моделирования адаптивных нейро-нечетких систем на основе упрощенного нечетко-логического вывода // Информационно-измерительные и управляющие системы. – 2014. – Т. 12, № 5. – С. 4-12.
24. Escaсo J.M., Bordons C., Vilas C., Garcнa M.R., Alonso A.A. Neurofuzzy model based predictive control for thermal batch processes // Journal of Process Control. – 2009. – Vol. 19, Issue 9. – P. 1566-1575.
25. Firat M., Gungor M. River flow estimation using adaptive neuro fuzzy inference system // River flow estimation using adaptive neuro fuzzy inference system. – 2007. – Vol. 75, Issues 3–4. – P. 87-96.
26. Бобырь М.В. Влияние числа правил на обучение нечетко-логической системы // Вестник компьютерных и информационных технологий. – 2014. – № 11 (125). – С. 28-35.
27. Титов В.С., Бобырь М.В., Милостная Н.А. АСУ прогнозированием точности обработки деталей // Автоматизация в промышленности. – 2008. – № 4. – С. 3-4.
28. Титов B.C., Бобырь М.В., Милостная Н.А. Операционные системы реального времени для систем ЧПУ // Промышленные АСУ и контроллеры. – 2008. – № 7. – С. 31-33.
29. Бобырь М.В. Способ и устройство управления скоростью резания на токарном оборудовании с ЧПУ. Патент РФ на изобретение № 2465115. 2010.
30. Титов В.С., Бобырь М.В., Милостная Н.А. Устройство прогнозирования на оборудовании с ЧПУ качества обработанных поверхностей детали. Патент РФ на изобретение № 2325247. 2005.

Comments are closed.