Помощь в написании студенческих работ
Антистрессовый сервис

Разработка нечетких обучаемых моделей и систем управления установкой ускоренного охлаждения в прокатном производстве

Диссертация: Разработка нечетких обучаемых моделей и систем управления установкой ускоренного охлаждения в прокатном производстве
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Эффективное управление такими объектами возможно на основе математического моделирования объекта и системы управления. Математические модели должны быть нечувствительными к большим помехам и погрешностям измерения, легко адаптироваться к часто меняющимся динамическим характеристикам душирующей установки и удовлетворять принятым условиям адекватности. Указанным требованиям наиболее полно… Читать ещё >

Разработка нечетких обучаемых моделей и систем управления установкой ускоренного охлаждения в прокатном производстве (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ ИНФОРМАЦИИ О МОДЕЛИРОВАНИИ И УПРАВЛЕНИИ УСТАНОВКОЙ УСКОРЕННОГО ОХЛАЖДЕНИЯ
  • 1. Л. Описание прокатного стана и анализ установки душирования
    • 1. 2. Обзор методов и систем управления душирующими установками. Л
    • 1. 3. Анализ подходов к моделированию в условиях неопределенности
    • 1. 4. Постановка задачи исследования
  • 2. ПОСТРОЕНИЕ И ОБУЧЕНИЕ МОДЕЛИ КОМПЕНСАТОРА
    • 2. 1. Определение состава переменных модели компенсатора
    • 2. 2. Построение модели компенсатора возмущений
    • 2. 3. Определение коэффициентов линейных уравнений
    • 2. 4. Определение структуры нечеткой модели
    • 2. 5. Определение порядка структуры и параметров нечеткой модели компенсатора
    • 2. 6. Определение параметров функций принадлежности
    • 2. 7. Гибридный алгоритм обучения нечеткой модели
  • Выводы по второй главе
  • 3. ПОСТРОЕНИЕ И ОБУЧЕНИЕ МОДЕЛИ РЕГУЛЯТОРА
    • 3. 1. Определение состава переменных модели регулятора
    • 3. 2. Построение и обучение модели эмулятора
    • 3. 3. Определение структуры и параметров модели регулятора
    • 3. 4. Обучение модели регулятора
    • 3. 5. Имитационные исследования системы управления
  • Выводы по третьей главе
  • 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ УПРАВЛЕНИЯ СТАДИЕЙ ДУШИРОВАНИЯ
    • 4. 1. Описание структуры информационной и управляющей подсистем АСУТПУО
    • 4. 2. Средства ввода первичной переработки информации
    • 4. 3. Формирование базы данных
    • 4. 4. Расчет и обучение нечетких моделей
  • Выводы по четвертой главе

Актуальность работы. Одним из перспективных путей повышения эффективности непрерывных широкополосных станов горячей прокатки является совершенствование систем автоматического управления ключевыми стадиями, определяющими качество выпускаемой продукции — стального проката. К их числу относится установка ускоренного охлаждения полосы, именуемая души-рующей и формирующая основные физико-механические характеристики проката. Душирующая установка функционирует в специфических условиях неопределенности, существенно осложняющих управление температурным режимом охлаждения.

Часть переменных (температура конца прокатки и смотки) измеряются с большой погрешностью, а некоторые возмущающие переменные и факторы (химсостав стали, забивка охлаждающих секций) вообще не поддаются измерению и контролю. Наконец, существуют измеримые возмущающие переменные (толщина и скорость полосы), которые оказывают существенное влияние на динамические характеристики объекта.

Эффективное управление такими объектами возможно на основе математического моделирования объекта и системы управления. Математические модели должны быть нечувствительными к большим помехам и погрешностям измерения, легко адаптироваться к часто меняющимся динамическим характеристикам душирующей установки и удовлетворять принятым условиям адекватности. Указанным требованиям наиболее полно удовлетворяют разностные нечеткие модели со структурой Суджено, построенные по текущим данным и по данным, накопленным в процессе эксплуатации установки. При использовании нечетких моделей в системах управления последние также приобретают аналогичные полезные свойства, отсутствующие и существующих систем управления и приводящие к снижению качества выходного продукта. Такой подход позволит в значительной мере устранить недостатки, присущие традиционным системам управления, построенным на основе детерминированных или статистических моделей.

Научная работа соответствует научному направлению ЛГТУ «Методы и модели искусственного интеллекта в задачах идентификации и управления технологическими процессами».

Цель работы — разработка нечетких динамических моделей и алгоритмов структурной и параметрической идентификации для построения программного обеспечения системы автоматического управления установкой ускоренного охлаждения полос на листопрокатном стане, позволяющих получить требуемое качество продукции в условиях неопределенности.

Для достижения цели должны быть решены следующие задачи:

— построение нечеткой модели компенсатора и алгоритма ее обучения управлению, позволяющему наиболее полно устранять влияние измеримых возмущений.

— построение нечеткой модели регулятора и алгоритм ее обучения управлению, минимизирующему ошибку регулирования, вызванную неконтролируемыми возмущениями.

— проверка работоспособности элементов и системы управления с помощью средств имитационного моделирования;

— разработка и использование программного обеспечения автоматизированной системы управления душирующей установкой.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

— нечеткая разностная модель компенсатора, отличающаяся нечувствительностью к помехам и погрешностям измерения и обладающая способностью к обучению управлению, устраняющему неконтролируемые возмущения:

— нечеткая разностная модель эмулятора, описывающая изменение температуры смотки по длине полосы в зависимости от неконтролируемых возмущений и предназначенная для обучения регулятора;

— нечеткая разностная модель регулятора, основанная на инверсной характеристике объекта, наиболее полно учитывающей его свойства, и обладающая способностью к обучению управлению, минимизирующему ошибку регулирования, вызванную неконтролируемыми возмущениями;

— гибридный алгоритм, основанный на действующих в определенной последовательности алгоритмах идентификации коэффициентов линейных уравнений, параметров функций принадлежности, количества правил и порядка разностных уравнений и предназначенный для обучения нечетких моделей;

— алгоритм обучения регулятора, основанный на гибридном алгоритме и поисковом алгоритме, определяющем инверсную характеристику объекта по модели эмулятора, и позволяющий обучить нечеткую модель регулятора управлению, минимизирующему ошибку регулирования, вызванную неконтролируемыми возмущениями;

— комбинированная система управления, отличающаяся наличием обучаемых моделей компенсатора, регулятора и эмулятора и обеспечивающая требуемое качество регулирования в условиях неопределенности. Методы исследования. В работе используются методы теории математического моделирования и параметрической идентификации, теории нечетких множеств, адаптивного управления и синтеза регуляторов.

Практическая ценность. Проведенные имитационные исследования обучаемой комбинированной системы управления подтвердили ее работоспособность в условиях неопределенности. На основании построенных нечетких динамических моделей компенсатора, эмулятора и регулятора и разработанного гибридного алгоритма обучения было создано математическое и программное обеспечение комбинированной системы управления душирующей установкой на стане горячей прокатки, принятое к использованию ОАО «Гипромез» при реконструкции прокатного стана 2000 Новолипецкого металлургического комбината.

Апробация работы. Основные положения диссертации докладывались на конференции молодых ученых, аспирантов и студентов Липецкой области (Липецк 2000), на международной конференции «Информационные технологии в проектировании микропроцессорных систем» (Тамбов, 2000), международной конференции «Теория и практика производства проката» (Липецк, 2001), межгосударственной конференции «Современная металлургия начала нового тысячелетия» (Липецк, 2001), международной конференции «Математические методы в технике и технологиях» (Тамбов, 2002), международной конференции «Современные сложные системы управления» (Липецк, 2002).

Публикации. Материалы диссертации опубликованы в 11 печатных работах, в том числе 1 монография и 10 статей.

В работах, опубликованных в соавторстве, лично соискателем в [1 — 4] построены нечеткие разностные модели динамических объектов, в [5, 6] разработаны алгоритмы параметрической и структурной идентификации нечетких моделей, в [8 — 11] предложена и исследована обучаемая система управления душирующей установкой.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка использованной литературы. Основная часть диссертации изложена на 149 страницах машинописного текста и содержит 26 рисунков.

Список литературы

включает 106 наименований. Приложение на 15 страницах, содержит 9 таблиц.

Выводы по четвертой главе.

В четвертой главе были получены следующие результаты:

1. Разработана структура информационной и управляющей подсистем АСУТПУО.

2. Сформулировано условие уникальности данных, позволяющее существенно снизить объем хранимой и обрабатываемой технологической информации.

3. Разработаны принципы формирования базы данных и определены производственные ситуации, при возникновении которых следует выполнить расчет и/или обучение нечетких моделей компенсатора, эмулятора и регулятора.

4. На языке Borland С++ 6.0 создан комплекс программ информационной и управляющей подсистем АСУТПУО, реализующих обучение нечетких моделей и управление душирующей установкой.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе решена актуальная задача разработки нечетких обучаемых моделей и систем управления технологическим процессом ду-ширования в прокатном производстве. Основные результаты теоретических и экспериментальных исследований:

1. Построена нечеткая динамическая модель компенсатора, содержащая совокупность продукционных правил, сигмоидные функции принадлежности, алгоритм вывода и обладающая способностью к обучению.

2. Разработаны алгоритмы идентификации, определяющие коэффициенты линейных уравнений, количество правил в нечеткой модели уравнений, параметров функций принадлежности и порядок разностного уравнения и позволяющие обеспечить адекватность нечетких разностных динамических моделей.

3. Разработан гибридный алгоритм обучения нечеткой модели компенсатора, определяющий и реализующий последовательность выполнения и взаимодействие алгоритмов идентификации: а) коэффициентов линейных уравненийб) числа продукционных правилв) параметров функций принадлежностиг) порядка разностного уравнения.

4. Проведено обучение нечеткой модели компенсатора первого порядка гибридным алгоритмом по данным душирования стальных полос двух типоразмеров, подтверждающее ее пригодность для управления технологическим процессом и участия в имитационных исследованиях.

5. Построена нечеткая динамическая модель эмулятора первого порядка и проведено её обучение гибридным алгоритмом, позволившее обеспечить адекватность объекту — душирующей установке на данных стальных полос одного типоразмера.

6. Разработан алгоритм обучения модели инверсного регулятора, включающий поиск оптимального регулирующего воздействия по модели эмулятора, обучение модели регулятора с помощью гибридного алгоритма и реализующий требуемое качество процесса регулирования при неконтролируемых возмущениях.

7. Проведены имитационные исследования компенсатора, эмулятора, регулятора и всей системы управления в целом, подтвердившие ее способность к воспроизводимости и приобретению знаний при душировании полосы одного типоразмера.

8. Разработано на языке Borland С++ 6.0 программное обеспечение информационной и управляющей подсистем АСУТПО, реализующих обучение нечетких моделей и управление душирующей установкой.

Показать весь текст

Список литературы

  1. Р. Динамическое программирование. М.: ИЛ, 1960. — 400 с.
  2. М.А., Ананьевский М. Г., Коновалов Ю. В. и др. Автоматизированные широкополосные станы, управляемые ЭВМ. М.: Металлургия, 1984.-240 с.
  3. М.А., Никитин В. Е., Поняков Б. А. и др. Совершенствование системы ускоренного охлаждения полос на стане 2000 // Сталь, 1993. № 9. -С.4449.
  4. М.А., Шкатов В. В., Третьяков В. А. и др. Повышение эффективности ускоренного охлаждения горячекатаных полос на стане 2000 // Производство проката, 1999. № 2. — С. 21−26.
  5. Л.Я., Оноколо А. Н. Основные направления автоматизации процесса ускоренного охлаждения полосы на станах горячей прокатки // Сб. Автоматизация прокатных станов. М.: Металлургия, 1974 (институт автоматики). — С. 13 5−139.
  6. А.Г. Построение и идентификация нечетких математических моделей технологических процессов в условиях неопределенности: Дисс.. канд. техн. наук. Липецк, 2002. — 154 с.
  7. А.Г., Келина А. Ю. Моделирование производственных процессов // Региональный сб. научн. трудов «Сварка и родственные технологии в машиностроении и электронике». Липецк: ЛГТУ, 2001. — С. 120−129.
  8. А.Г., Келина А. Ю. Моделирование плохо определенных объектов // Тезисы докладов Международной НТК «Информационные технологии в проектировании микропроцессорных систем». Тамбов: ТГТУ, 2000. -С.9−11.
  9. А.Г., Келина А. Ю., Халов Е. А. Нечеткая модель прокатки // Сб. научн. трудов «Теория и практика производства проката». Липецк: ЛГТУ, 2001. — С.340−345.
  10. Р., Кириллова Ф. М. Основы динамического программирования. Минск: Изд-во БГУ, 1975. — 264 с.
  11. А.И. Теория нейронных сетей. Кн.1. М.: ИПРЖР, 2000.416 с.
  12. А.Д. Учебник по логике. М.: Владос, 1999. — 303 с.
  13. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. — 276 с.
  14. К.Я. Технология программирования АСУТП, М.: Энерго-атомиздат, 1986. — 184 с.
  15. Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. М.: Радио и связь, 1990. — 288 с.
  16. Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. — 165 с.
  17. Р. Цифровые системы управления. М.: Мир, 1984. — 541 с.
  18. Э.А. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975. — 416 с.
  19. А., Байатт У. Д. Нечеткие множества, нечеткая алгебра, нечеткая статистика // ТИИЭР. 1978. — Т.66. — № 12. — С.37−51.
  20. В.В., Дорохов И. Н., Марков Е. П. Системный анализ процессов химической технологии. Применение метода нечетких множеств. М.: Наука, 1986.-360 с.
  21. С.Ю. Технология разработки программного обеспечения информационных систем. СПб.: СПбГУАП, 1988. — 102 с.
  22. Л. Функциональный анализ и вычислительная математика. -М.: Мир, 1969.-447 с.
  23. Ю.В., Остапенко АЛ. Температурный режим широкополосных станов горячей прокатки. М.: Металлургия, 1974. — 176 с.
  24. А. Введение в Теорию нечетких множеств. М.: Радио и связь, 1982.-432 с.
  25. С.Л., Белянский А. Д., Мухин Ю. А. Технология листопрокатного производства. М.: Металлургия, 1997. — 272 с.
  26. Ю.И. Нечеткие модели вывода в экспертных системах // Известия РАН. Теория и системы управления. 1997. — № 5. — С. 75−83.
  27. Ю.И. Нечеткое моделирование и идентификация технологических процессов // ИКА. 1988. — № 2. — С.77−85.
  28. Ю.И.Кудинов. Моделирование технологических и экологических процессов: Монография / Кудинов Ю. И., Венков А. Г., Келина А. Ю. Липецк: ЛЭГИ, 2001.- 131 с.
  29. Ю.И., Венков А. Г. Построение и идентификация нечеткой модели // Вестник ТГТУ. 1997. — Т. З, № 4. — С.392−398.
  30. Ю.И., Келина А. Ю., Халов Е. А. Моделирование процесса управления // Сб. научн. трудов «Современная металлургия начала нового тысячелетия». Часть 4. Липецк: ЛГТУ, 2001. — С.27−31.
  31. Ю.И., Келина А. Ю., Халов Е. А. Нейро-нечеткое управление технологическим процессом //Сб. научн. трудов Международной НТК «Современные сложные системы управления» Липецк: ЛГТУ, 2002. -С.165−168.
  32. Ю.И., Тянутова С. А., Кудинова Л. И. Исследование алгоритмов идентификации нечеткой динамической модели // Сб. научн. трудов, посвященный 45-летию ЛГТУ. Липецк, 2001. — С.25−28.
  33. В.М. Генетические алгоритмы. Состояние. Проблемы. Перспективы // Теория и системы управления. 1999. — № 1. — С. 144−160.
  34. В.Г. Жидкостное охлаждение высокотемпературного металла.-Л.: ЛГУ, 1983.- 172 с.
  35. А.С. Автоматизированные системы управления технологическими процессами и установками прокатных цехов. М.: Металлургия, 1979. -368 с.
  36. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. / Тейз А. и др. М.: Мир, 1990. -432 с.
  37. Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.-432 с.
  38. Н.Г. и др. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат, 1991. 136 с.
  39. М. Моделирование сигналов и систем. М.: Мир, 1981.300 с.
  40. П.И., Заугольников Д. Н., Талыкин М. А. и др. Качество листа и режимы непрерывной прокатки. Алма-Ата: Наука, 1974. — 399 с.
  41. Е.В., Гунько Б. А., Тишков В. Я. и др. Охлаждение полос при горячей прокатке на непрерывных широкополосных станах // Сталь, 1980. -№ 5. С.388−394.
  42. Н.Ю. Технология нагрева стали. М.: Металлургиздат., 1962.566 с.
  43. Ф. Нейрокомпьютерная техника. Теория и практика. М.: Мир, 1992.-260 с.
  44. И.В., Захаров А. Е. Ускоренное охлаждение листа. М.: Металлургия, 1992. — 186 с.
  45. Я.3. Цыпкин. Основы информационной теории идентификации / Цыпкин Я. З. М.: Наука, 1984. — 320 с.
  46. Я.З. Основы теории обучающих систем. М.: Наука, 1970.252 с.
  47. А.Б. Автоматизация процессов прокатного производства. — М.: Металлургия, 1971. 264 с.
  48. В.В., Бобров М. А., Чернышев А. П. и др. Влияние условий охлаждения рулонов на структуру и свойства горячекатаной полосовой стали. // Сталь, 1991. -№ 10. С. 55−59.
  49. М.А., Лизунов В. И., Мухин Ю. А. и др. Влияние условий охлаждения после горячей прокатки на структуру стали СтЗсп // Сталь, 1981. -№ 6. С.70−73.
  50. Экспресс-информация ВИНИТИ. Прокатка и прокатное оборудование, 1971, № 30. — С.8−29.
  51. Amano A., Aritsuka Т., Hataoka N., Ichikawa A. A study ап application of neural networks and fuzzy logic to consonaut recognition based on pair discrimination rules // Trans. IEICE Part D-II. 1989. — V.172, N8. — P. 1200−1206.
  52. Buckley J.J. Sugeno-type controllers are universal controllers // Fuzzy Sets and Systems. 1993. -N53. — P.299−303.
  53. Chang S.S.L., Zadeh L.A. On fuzzy mapping and control // IEEE Trans. Systems Man and Cybernet. 1972. — V. SMC-2. — № 1. — P. 30−34.
  54. Czogala E., Pedrycz W. On identification in fuzzy systems and application in control problems // Fuzzy Sets and Systems. -1981.-№ 6.-P. 73−83.
  55. Dubois D., Prade H. Fuzzy Sets and Systems: Theory and Applications, in Mathematics Sciences and Engineering Series. N.Y.: Acad. Press, 1980. -V. 144.-355 p.
  56. Fukuda Т., Ito S., Arai F. Recognition of human face using fuzzy interface and neural network // Trans. Japan Soc. Mech. Eng. 1993. V.59, N558, Ser.C. -P.508−514.
  57. Goldberg D.E. Generic algorithms in search, optimization and machine learning. M.A.:Addison. — Wesley Publishing Company, 1989. — 425 p.
  58. Guerra T.M., Vermeiren L. Control laws for Takagi-Sugeno fuzzy models // Fuzzy Sets and Systems. 2001. — N120. — P.95−108.
  59. Gupta M.M., Qi J. Theory of T-norms and fuzzy inference methods // Fuzzy Sets and Systems. -1991.- N40. P.431−450.
  60. Hayashi Y., Buckley J.J., Czogala E. Direct fuzzyfication of neural network and fuzzyfied delta rule // Proc. 2nd Int. Conf. «Fuzzy logic and neural net* works (IIZUKA'92), Iizuka, Japan. 1992. — P.73−76.
  61. Hayashi Y., Nakai M. Automated extraction of fuzzy IF-THEN rules using neural network // Trans. IEE Japan. 1990. — V. l 10-C, N3. — P. 198−206.
  62. Hayashi I., Umano M. Perspectives and trends of fuzzy-neural network // J. Japan Soc. Fuzzy Th. Syst. 1993. — V.5, N2. — P. 178−190.
  63. Hirota K., Yamauchi K., Murakami J. Image recognition based on fuzzy-neuro technology by using binocural stereoscopic vision // Proc. 8th Fuzzy System Symp., Hiroshima, Japan. 1992. — P.657−660.
  64. Horikawa S., Furuhashi Т., Uchikawa Y. Composition methods and lean-4 ing of fuzzy neural networks // J. Japan Soc. Fuzzy Theory Syst. 1992. — V.4, N5.1. P.906−928.
  65. Horikawa S., Furuhashi Т., Uchikawa Y. On fuzzy modeling using fuzzy neural networks with back-propagation algorithm // IEEE Trans, on Fuzzy Systems. -1992.- V.3,N5.-P.801−806.
  66. Imasaki N., Kiji J., Eudo T. A fuzzy rule structured neural networks. J. Japan Soc. Fuzzy Theory Syst. — 1992. — V.4, N5. — P.985−995.
  67. Ishibuchi H., Fujioka R., Tanaka H. Classification of fuzzy vectors by neural networks // Trans. Inst. Syst. Contr. Inf. Eng. 1992. — V.5, N5. — P. 198−206.
  68. Ishibuchi H., Okada H., Tanaka H. Learning of neural networks with fuzzyweights // Proc. 8th Fuzzy System Symp., Hiroshima, Japan. 1992. — P. 185−188.
  69. Juang C.-F., Lin C.-T. An on-line sef-constructing neural fuzzy inference network and its applications // IEEE Trans, on Fuzzy Systems. 1998. — V.6, N1. -P. 12−32.
  70. Kania A.A., Kiszka J.b., Gorzalezany M.B. et al. On stability of formal fuzziness systems // Inform. Sciences. 1980. — № 22. — P. 51−68.
  71. Kosko B. Fuzzy system an universal approximators // Proc. of IEEE Int. V Conf. On Fuzzy Systems. 1992. — P. 1153−1162.
  72. Lee S.C., Lee E.T. Fuzzy sets and neural networks // J. Cybern. 1974. -V.4, N2. — P.83−103.
  73. Lih Y., Cunningham G.A. A new approach to fuzzy-neural system modelling // IEEE Trans, on Fuzzy Systems. 1995. — V.3, N1. — P. 190−197.
  74. Ma X.J., Sun Z.Q., He Y.Y. Analysis and design of fuzzy controller and fuzzy observer // IEEE Trans, on Fuzzy Systems. 1998. — V.6, N1. — P.41−50.
  75. Mizumoto M., Zimmermann H.J. Comparison of fuzzy reasoning methods // Fuzzy Sets and Systems. 1982. — № 8. — P.253−283.
  76. Morita A., Imai Y., Tokegaki M. A method to refine fuzzy knowledge model of neural network type // Proc. SICE'88 27th Meeting JS33−3, Chiba, Japan. -1988. P.347−348.
  77. Nishio C., Nakanishi S. Sales promotion planning support system by neural network // Proc. 8th Fuzzy System Symp., Hiroshima, Japan. 1992. — P. 153 156.
  78. Nomura H., Hayashi I., Wakami N. Self-tuning method of fuzzy reasoning by Hopfield neural networks // Proc. 5th Fuzzy System Symp., Kobe, Japan. 1989. — P.177−182.
  79. Ozawa J., Hayashi I., Wakami N. Formulation of CMAC-fuzzy system // Proc. IEEE Int. Conf. Fuzzy Systems (FUZZY-IEEE'92), San Diego. 1992. -P. 1179−1186.
  80. Pedrycz W. An approach to analysis of fuzzy systems // Int. J. Contr. -1981. -№ 34. -P. 403−421.
  81. Pedrycz W. Fuzzy relational equations with generalized connectives and their applicatiors // Fuzzy Sets and Systems. 1983. — V. 10. — P. 185−201.
  82. W. ^identification in fuzzy systems // IEEE Trans. Systems Man and Cybernet. 1984. — V. SMC-14. — № 2. — P. 361−366.
  83. Pedrycz W. Numerical and applicational aspects of fuzzy relational equations // Fuzzy Sets and Systems. 1983. — V. 11. — P. 1−18.
  84. Pedrycz W. Some applicational aspects of fuzzy relational equations in systems analysis // Int. J. General Systems. 1983. — V.9. — P. 125−131.
  85. Samaras N.S. Novel control structure for run out table coiling temperature control // AISE Steel Technology. 2001. — № 6. — P. 55−59.
  86. Samaras N.S., Simoon M.A. Water-Cooled end point boundary temperature control of not strip via dynamic programming // IEEE Transaction on Industry Applications. 1998. — V.34, № 6. — P. 1335−1341.
  87. Sugeno M. An introductory survey of fuzzy control // Infom. Sci. 1985.36.-P. 59−83.
  88. Takagi H., Hayashi I. NN-driven fuzzy reasoning. Int. J. Approx. Reason. — 1991. — V.5, N3. — P.191−212.
  89. Takahashi H., Minami H. Subjective evaluation modeling ising fuzzy logic and a neural networks // Proc. 3rd IFSA Congress, Seatle, USA. 1989. — P.520−523.
  90. Tanaka K., Sano M., Watanabe H. Modeling and control of carbon monoxide concentration using a neuro-fuzzy technique // IEEE Trans, on Fuzzy Systems. -1995. V.3, N3. — P.271−279.
  91. Tong R.M. Analysis of fuzzy control using the relation matrix // Int. J.
  92. Man-Machine Stadies. 1976. — № 6. — P. 679−686.
  93. Tsinas L., Dachwald B. A combined neural and genetic learning algorithm // Proc. IEEE Int. Conf. On Neural Networks, 1994. Vol.1. — P.770−774.
  94. Uehara K., Fujise M. Leaning of fuzzy-inference criteria with artificial neural network // Proc. Int. Conf. Fuzzy Logic & Neural Networks (IIZUKA'90), Ii-zuka, Fukuoka, Japan. 1990. — P. 193−198.
  95. Wang L., Langari R. Building Sugeno-type models using fuzzy discretiza-^ tion and orthogonal parameter estimation technigues // IEEE Trans, on Fuzzy Systems. 1995. — V.3. — P.454−458.
  96. Wang P.-Z., Zhang D. The netlike inference process and stability analysis.- Int. J. Intell. Syst. 1992. — V.7, N4. — P.361−372.
  97. Whitley D., Starkweather Т., Bogart C. Generic algorithms and neural networks: optimizing connection and connectivity // Porallel Comput., 1990. № 14.- P.347−361.
  98. Wu S., Er M.J. Dynamic fuzzy neural networks a novel approach to function approximation // IEEE Trans. Syst. Man and Cybernet. — 2000. — V.30, N2.- P.358−364.
  99. Yamaguchi Т., Tanabe M., Murakami J. Fuzzy control using LVO unsupervised learning // Proc. SICE Joint Symposium of 15th System Symp. And 10th Knowledge Eng. Symp., Sapporo, Japan. 1989. — P. 179−184.
  100. Zadeh L.A. Fuzzy-algorithmic approach to the definition of complex animprecise concepts // Int. J. Man-Machine Stadies. 1976. — № 6 — P.249−291.
  101. Zadeh L.A. Fuzzy sets // Inform & Contr. 1965. — N8. — P.338−353.
  102. Zadeh L.A. Fuzzy sets as a bases for a theory of possibility // Fuzzy Sets and Systems. 1977. — № 1. — P. 3−28.
  103. Zhao J., Gorex R., Wertz V. Synthesis of fuzzy control systems based on linear Takagi-Sugeno fuzzy models. In: Murray-Smith R., Johansen T.A.(Eds.). Multiple Model Approach to Modeling and Control: Tailor and Francis, London, 1997. -P.308−336.159
Заполнить форму текущей работой

Сессия? Спокойно!