Design of optimized fuzzy model-based controller for nonlinear systems using hybrid intelligent strategies
Notice bibliographique
Résumé
This paper introduces three hybrid methods for the generation and optimization of rules and membership functions of a fuzzy logic controller for nonlinear systems. The proposed methods overcome the deficiency of a systematic approach for optimal design of fuzzy controllers. An optimally designed fuzzy logic controller should have the least number of fuzzy variables and fuzzy rules and the best possible configuration of fuzzy rules in the rule table. The first strategy of this paper is a two-phase optimization problem: in the first phase, the number of fuzzy variables and their arrangement in the rule table are optimized by a genetic algorithm; in the second phase, the parameters of the membership functions are optimized via extended Kalman filtering. The second strategy tries to achieve the goals of the first method all in one phase by modifying the chromosome structure of the genetic algorithm. Then in the next step, a local search algorithm is utilized to improve the obtained results. The third strategy is similar to the second strategy in structure. However, along with optimizing the number of fuzzy variables and membership parameters, the number of fuzzy rules is also optimized. The first and second strategies are obliged to use every possible combination of fuzzy variables in the rule table; however, the third strategy is capable of distinguishing between useful and useless fuzzy rules in the rule table. The introduced strategies are applied to an automotive cruise control system. The results of the simulations show the effectiveness of the proposed methods and the superiority of the latter approaches over the former ones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».