دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Robert Babuška (auth.)
سری: International Series in Intelligent Technologies 12
ISBN (شابک) : 9789401060400, 9789401148689
ناشر: Springer Netherlands
سال نشر: 1998
تعداد صفحات: 268
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی فازی برای کنترل: منطق و مبانی ریاضی، حساب تغییرات و کنترل بهینه، بهینه سازی، تحقیق در عملیات/نظریه تصمیم گیری
در صورت تبدیل فایل کتاب Fuzzy Modeling for Control به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی فازی برای کنترل نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مدلسازی فازی مبتنی بر قانون به عنوان یک تکنیک قدرتمند برای
مدلسازی سیستمهای غیرخطی تا حدی شناخته شده شناخته شده است.
مدلهای فازی میتوانند به طور موثر اطلاعات را از منابع مختلف
مانند قوانین فیزیکی، مدلهای تجربی، اندازهگیریها و اکتشافی
ادغام کنند. حوزه های کاربردی مدل های فازی شامل پیش بینی،
پشتیبانی تصمیم، تجزیه و تحلیل سیستم، طراحی کنترل و غیره است.
مدل سازی فازی برایکنترل به مدل سازی فازی از
دیدگاه سیستم ها و مهندسی کنترل می پردازد. این بر انتخاب
ساختارهای مدل مناسب، بر کسب مدلهای فازی پویا از
اندازهگیریهای فرآیند (شناسایی فازی)، و بر طراحی
کنترلکنندههای غیرخطی بر اساس مدلهای فازی تمرکز دارد.
برای تولید خودکار مدلهای فازی از اندازهگیریها، یک روش جامع
توسعه داده شده است که از تکنیکهای خوشهبندی فازی برای تقسیم
دادههای موجود به زیر مجموعههایی که با رفتار خطی محلی مشخص
میشوند، استفاده میکند. روابط بین روش شناسایی ارائه شده و
رگرسیون خطی مورد سوء استفاده قرار می گیرد و امکان ترکیب تکنیک
های منطق فازی با ابزارهای شناسایی سیستم استاندارد را فراهم می
کند. توجه به مبادله بین دقت و شفافیت مدلهای فازی بهدستآمده
است. طراحی کنترل بر اساس یک مدل فازی از یک فرآیند دینامیکی
غیرخطی، با استفاده از مفاهیم کنترل پیشبینی مبتنی بر مدل و
کنترل مدل داخلی با یک مدل فازی معکوس، مورد بررسی قرار
میگیرد. برای این منظور، روشهایی برای معکوس کردن انواع خاصی
از مدلهای فازی ارائه شدهاند. در زمینه کنترل پیش بینی، بهینه
سازی شاخه و کران اعمال می شود.
ویژگی های اصلی تکنیک های ارائه شده با استفاده از مثال های
ساده نشان داده شده است. علاوه بر این، سه برنامه کاربردی در
دنیای واقعی توضیح داده شده است. در نهایت، ابزارهای نرمافزاری
برای ساخت مدلهای فازی از اندازهگیریها از نویسنده در دسترس
است.
Rule-based fuzzy modeling has been recognised as a powerful
technique for the modeling of partly-known nonlinear systems.
Fuzzy models can effectively integrate information from
different sources, such as physical laws, empirical models,
measurements and heuristics. Application areas of fuzzy
models include prediction, decision support, system analysis,
control design, etc. Fuzzy Modeling
forControl addresses fuzzy modeling from the
systems and control engineering points of view. It focuses on
the selection of appropriate model structures, on the
acquisition of dynamic fuzzy models from process measurements
(fuzzy identification), and on the design of nonlinear
controllers based on fuzzy models.
To automatically generate fuzzy models from measurements, a
comprehensive methodology is developed which employs fuzzy
clustering techniques to partition the available data into
subsets characterized by locally linear behaviour. The
relationships between the presented identification method and
linear regression are exploited, allowing for the combination
of fuzzy logic techniques with standard system identification
tools. Attention is paid to the trade-off between the
accuracy and transparency of the obtained fuzzy models.
Control design based on a fuzzy model of a nonlinear dynamic
process is addressed, using the concepts of model-based
predictive control and internal model control with an
inverted fuzzy model. To this end, methods to exactly invert
specific types of fuzzy models are presented. In the context
of predictive control, branch-and-bound optimization is
applied.
The main features of the presented techniques are illustrated
by means of simple examples. In addition, three real-world
applications are described. Finally, software tools for
building fuzzy models from measurements are available from
the author.
Front Matter....Pages i-xiii
Introduction....Pages 1-7
Fuzzy Modeling....Pages 9-48
Fuzzy Clustering Algorithms....Pages 49-74
Product-Space Clustering for Identification....Pages 75-108
Constructing Fuzzy Models from Partitions....Pages 109-160
Fuzzy Models in Nonlinear Control....Pages 161-195
Applications....Pages 197-226
Back Matter....Pages 227-260