High dimentional neural fuzzy controller for nonlinear systems

Abstract

De nos jours, la théorie de contrôle joue un rôle significatif dans presque tous les domaine de la science et de l'ingénierie. Les contrôleurs linéaires PID sont les applications principales de la théorie de contrôle, et ils se basent sur les systèmes de contrôle simples. Mais beaucoup de vrais systèmes possèdent des caractéristiques non-linéaires. Dans la pratique, il est nécessaire de faire beaucoup de linéarisations. Quand nous employons le contrôleur classique dans un système non-linéaire fortement complexe, les difficultés augmentent exponentiellement. Pour éviter les imperfections, on peut employer des contrôleurs flous. Le contrôleurs flous se basent sur le système de connaisance. Ce sont des outils importants dans le domaine de l'automatique. Ils possèdent beaucoup plus d'avantages que les contrôleurs classiques"PID", mais ils ont besoin d'experts pour concevoir les règles de base. La limite principale des contrôleurs flous est la difficulté d'établir les règles de base. Maintenant, beaucoup de recherches sont consacrées à la fusion des réseaux de neurones et de systèmes flous dans une nouvelle structure (les réseaux de neuro-floue). Cette approche combine les avantages de deux paradigmes puissants dans une capsule simple, et fournit un cadre puissant pour extraire des règles floues des données numériques. Cependant, cette technologie n'est pas parfaite. Il reste quelques difficultés: beaucoup de règles floues sont nécessaires, les algorithmes sont complexes et la fiabilité est basse (Par exemple, pour un même modèle ou fonction, les résultats dépendent des ensembles d'apprentissage). Pour éviter les difficultés, ce mémoire présente une nouvelle méthode, appelée"inférence neuro-floue de haute-dimension". L'idée fondamentale de cette méthode proposé est de considérer chaque donné dans ce système comme point avec la haute dimension. Chaque dimension d'entrée sera traitée en même temps dans les mêmes sous-ensembles de haute dimension. L'algorithme proposé a été examiné sur différentes applications, et les résultats ont été comparés aux données éditées sur trois problèmes de repère. Cet algorithme est simple à employer, et les résultats expérimentaux prouvent que le nombre de faisceaux exigés est inférieur à ceux rapportés dans la littérature. L'exactitude de rendement est bonne dans beaucoup d'applications.