http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
신속한 학습과 정확한 근사화 능력을 갖는 CMAC 신경망 기반 퍼지 제어기의 설계
김대진(Daijin Kim) 한국정보과학회 1998 정보과학회논문지(B) Vol.25 No.7
This paper proposes a CMAC-based FLC(Fuzzy Logic Controller) With a fast learning capability and an accurate approximation ability. The proposed CMAC-based FLC shows the fast learning speed because a small number of units in the network are involved in the foreward and backward computation and provides an accurate input-output approximation because it uses both centers and widths of membership functions to compute an output. The structural parameters such as the centers and widths of the membership functions are updated in the backpropagation type. Application to the truck backer-upper control problem of the proposed CMAC-based FLC is presented. The approximation accuracy and control performance are compared with those of various FLCs. 본 논문은 빠른 학습과 정확한 근사 능력을 갖는 새로운 CMAC 신경망 기반 퍼지 제어기를 제안한다. 제안한 CMAC 신경망 기반 퍼지 제어기(CBFLC)는 한 학습 주기 동안 전향 및 역전파 연산시 신경망내 유닛중 극히 일부분만이 활성화되어 학습에 참가하므로 학습 시간이 매우 빠르고, 비퍼지화 연산시 소속 함수의 중심값뿐 아니라 폭을 동시에 고려하여 정확한 근사화를 얻는다. 제안한 퍼지 제어기내 입·출력 소속 함수의 중심값 및 폭 등의 구조적 파라메터들은 역전파 알고리즘에 의해 갱신된다. 제안한 CMAC 신경망 기반 퍼지 제어기를 트럭 후진 주차 문제에 적용하여 근사화 능력 및 제어 성능면에서 여러 다른 퍼지 제어기들과 비교한다.
학습과 진화의 라마키안 상호 적응에 의한 최적 COG 비퍼지화기 설계
김대진(Daijin Kim),이한별(Han-Pyul Lee) 한국정보과학회 1998 정보과학회논문지(B) Vol.25 No.12
본 논문은 퍼지 논리 제어기(FLC)의 근사화 능력과 제어 성능을 동시에 향상시키는 정확한 무게 중심(Center Of Gravity; COG) 비퍼지화기를 제안한다. 본 논문은 비퍼지화 과정이 최적 선택의 한과정이며 비퍼지화 방법의 적절한 선택이 FLC의 근사화 능력과 제어 성능을 크게 향상시킬 수 있다는 것을 전제로 하고 있다. 제안한 COG 비퍼지화기의 정확성은 출력 소속 함수를 여러 개의 설계 파라메터(중심, 폭, 변경자(modifier))로 나타내고 이들 설계 파라메터들을 학습과 진화의 Lamarckian 상호 적응에 의하여 갱신함으로써 얻어진다. 이러한 학습과 진화의 상호 적응은 학습하지 않는 경우 보다 빠르게 최적 COG 비퍼지화기를 얻도록 하며, 보다 넓은 범위의 탐색으로 최적해를 찾을 가능성을 높여 준다. 제안한 설계 방법은 목적 함수의 가중치를 조절하여 높은 근사화 능력, 높은 제어 성능, 또는 이들간의 균형된 성능을 갖는 다양한 특정 응용형(Application-specific) COG 비퍼지화기를 제공한다. 제안한 상호적응 COG 비퍼지화기의 설계 방법을 트럭 후진 주차 제어 문제에 적용하여, 각각 시스템 오차와 평균 추적 거리로 나타내어진 근사화 능력과 제어 성능을 기존의 COG 비퍼지화기와 비교한다. This paper proposes an optimal COG (Center of Gravity) defuzzification method that improves both the system's approximation behavior and the control performance of a fuzzy logic controller (FLC). The premise of this paper is that the defuzzification is a process of optimal selection and an appropriate selection of the defuzzification method can improve the approximation behavior and the control performance of the FLC greatly. The accuracy of the proposed COG defuzzifier is obtained by representing the output membership functions (MFs) with various design parameters such as the centers, widths, and modifiers of MFs and by adjusting these design parameters with Lamarckian co-adaptation of learning and evolution. This co-adaptation scheme allows to evolve much faster than the nonlearning case and gives a higher possibility of finding an optimal solution due to its wider searching capability. An application to the truck backer-upper control problem of the proposed co-adaptive design method of COG defuzzifier is presented. The approximation behavior and control performance of the proposed COG defuzzifier are compared with those of the conventionally simplified COG defuzzifier in terms of the system error and the average tracing distance, respectively.