Совершенствование алгоритмов распознавания типов объектов в системах управления с применением нечеткой логики в условиях неопределенности

Аннотация

Введение. В основу современных информационных технологий для сложных систем автоматизации в условиях неопределенности положен принцип ситуационного управления. К таким технологиям относятся следующие: экспертные системы, нейросетевые структуры, нечеткая логика и ассоциативная память. Развитие интеллектуальных технологий связано с объединением различных методов обработки знаний. Данное направление обеспечивает повышение быстродействия, сокращение объема знаний. Предполагается возможным объединение нечеткой логики и экспертных систем. Цель исследования. Рассмотреть задачу совершенствования алгоритмов распознавания в системах управления путем объединения методов оптимальной фильтрации и нечеткой логики на этапе вторичной обработки информации о параметрах объектов. Материалы и методы. Для предварительной обработки будем рассматривать фильтры Калмана (ФК), для реализации которых в реальном времени требуется меньше вычислительных ресурсов по сравнению с алгоритмами гарантированного оценивания. В предлагаемом методе применим банк (ФК). Математическое моделирование проводим в программной среде Mathcad 14. В программной среде FuzzyTECH разрабатывается нечеткий проект «Распознавание типа объекта». Разработка нечеткой модели проходит в несколько этапов. Во-первых, представление входных переменных в терминах лингвистических переменных. Во-вторых, опираясь на знания экспертов, определяем термы для лингвистических переменных. В-третьих, создание блока правил. В-четвертых, исследование созданного нечеткого проекта. Результаты. Проведенное математическое моделирование ФК в устройствах слежения за параметрами объектов в процессе распознавания в программной среде Mathcad 14 показало возможность применения банка фильтров в рассмотренных устройствах. Созданы и исследованы алгоритмы распознавания типов объектов с использованием нечёткой логики. Заключение. Созданные алгоритмы системы управления, объединяющие в себе фильтрацию Калмана и нечеткую логику, повышают эффективность системы распознавания.