2009-Dosoftei Catalin PHD 2009 PDF

UNIVERSITATEA TEHNIC GH.
ASACHI IAI
FACULTATEA DE AUTOMATIC I CALCULATOARE
Utilizarea inteligenei computaionale n

conducerea proceselor
TEZ DE DOCTORAT
Ing. Constantin-Ctlin Dosoftei
Conductor tiinific
Profesor Dr. Ing. Corneliu Boan
2009
Comisia de analiz i susinere a tezei de doctorat
1. Prof. dr. ing. VASILE-ION MANTA preedinte

2. Prof. dr. ing. CORNELIU BOAN - conductor tiinific
3. Prof. dr. ing. COSTIC NITU
4. Prof. dr. ing. GEORGE CULEA
5. Conf. dr. ing. LUCIAN MASTACAN
Meniuni
Lucrarea reprezint rezultatul activitii de cercetare desfurat n cadrul

laboratorului de Echipamente i structuri de reglare automat al Catedrei de
Automatic i Informatic Industrial a Facultii de Automatic i
Calculatoare din Iai.
Doresc s exprim cele mai sincere mulumiri i sentimente de apreciere
domnului Profesor doctor inginer Corneliu BOAN pentru ncrederea i
sprijinul acordat n elaborarea tezei de doctorat.
Adresez ntreaga mea recunotin domnului Confereniar doctor inginer
Lucian MASTACAN, pentru sugestiile i observaiile atente, formulate pe
parcursul cercetrilor pentru elaborarea tezei, cercetri ce au dus la multiple
rezultate publicate mpreun.
Doresc s transmit mulumiri membrilor comisiei de doctorat pentru
onoarea pe care mi-au fcut-o acceptnd s citeasc lucrarea i pentru
observaiile i comentariile fcute pentru mbuntirea acestui material.
De asemenea, mulumiri sincere doresc s transmit colegilor din Catedra
de Automatic i Informatic Aplicat, fiecruia n parte i dimpreun tuturor,
pentru atmosfera plcut creat i ncurajrile transmise. Adresez calde
mulumiri domnului Profesor doctor inginer Iosif OLAH, care mi-a mprtit
din bogata sa experien didactic i pentru sprijinul acordat de la nceputul
carierei mele universitare pn n prezent.
Nu n ultimul rnd, doresc s mulumesc soiei i copiilor mei, pentru
rbdarea, nelegerea i sprijinul oferit n toat aceast perioad.
Cuprins
Capitolul 1 Introducere .......................................................................... 1
Capitolul 2 Inteligena computaional ................................................ 4
2.1 Inteligena artificial baza inteligenei computaionale ................................
2.2 Subdomeniile inteligenei computaionale ...................................................
2.3 Logica fuzzy .................................................................................................
2.3.1 Noiuni fundamentale ....................................................................
2.3.2 Funcii de apartenen ....................................................................
2.3.3 Conectori i operatori ai mulimilor fuzzy .....................................
2.3.4 Reguli i raionamente fuzzy .........................................................
2.4 Reelele neuronale artificiale ........................................................................
2.4.1 Funciia de activare ........................................................................
2.4.2 Antrenarea reelei neuronale ..........................................................
2.5 Calculul evolutiv ...........................................................................................
2.5.1 Tehnicile evolutive direcii ale calculului evolutiv .....................
2.5.2 Structura unui algoritm evolutiv i etapele proiectrii sale ...........
2.5.3 Aplicaiile sistemelor evolutive ..............................................
2.6 Tehnici hibride Soft-computing .................................................................
2.6.1 Sisteme hibride neuro-fuzzy ..........................................................
2.6.1.1 Reele neuronale fuzzy ......................................................
2.6.1.2 Perceptronul fuzzy .............................................................
2.6.1.3 Sisteme fuzzy neuronale ....................................................
2.6.1.4 Sisteme neuro-fuzzy ..........................................................
2.6.1.5 Sisteme ANFIS ..................................................................
2.6.2 Sisteme hibride neuro-genetic .......................................................
2.6.3 Sisteme hibride genetic-fuzzy ........................................................
Capitolul 3 Regulatoare fuzzy ..........................................................................
3.1 Regulatoare automate..............................................................................
3.2 Structura regulatorului fuzzy.........................................................................
3.2.1 Modulul de fuzzificare....................................................................
3.2.2 Baza de cunostine..........................................................................
3.2.2.1 Baza de reguli.....................................................................
3.2.2.2 Mecanismul de determinare a regulilor de reglare fuzzy ..
3.2.3 Sistemul de inferen......................................................................
3.2.4 Modulul de defuzzificare................................................................
3.2.4.1 Metoda maximului.............................................................
3.2.4.2 Metoda centrului de greutate..............................................
3.2.4.3 Metoda bisectoarei
5
7
8
8
11
13
15
21
25
26
28
29
31
34
35
36
39
40
43
44
46
49
51
54
54
55
55
58
59
62
64
70
71
73
74
3.3 Regulatoare fuzzy cvasi-tipizate....................................................................

3.3.1 Regulator cu logic fuzzy cu comportare de tip cvasi-P ...............
3.3.2 Regulator cu logic fuzzy cu comportare de tip cvasi- PD ...........
3.3.3 Regulator cu logic fuzzy cu comportare de tip cvasi- PI .............
3.3.4 Regulator cu logic fuzzy cu comportare de tip cvasi- PID ..........
3.3.5 Regulator cu logic fuzzy cu mrimi de intrare variabilele de
stare ale procesului...................................................................................
3.3.6 Regulator cu logic fuzzy de tip Sugeno Takagi.........................
3.3.7 Regulatoare convenionale cu adaptarea fuzzy a parametrilor ......
75
76
76
77
78
79
79
79
Capitolul 4 Mecanisme de inferen n bazele rare de reguli fuzzy ... 81

4.1 Baze dense i baze rare de reguli fuzzy ........................................................
4.2 Inferene n baze de reguli cu premize duble ...............................................
4.2.1 Inferene n baze de reguli cu funcii trapezoidale ale premizelor
4.2.2 Inferene n baze de reguli cu funcii triunghiulare ale premizelor
4.2.3 Inferene n baze de reguli cu funcii triunghiulare i
trapezoidale ale premizelor .....................................................................
4.2.4 Inferene n baze de reguli reprezentate sub forma matricilor
Mamdani de decizie ................................................................................
Capitolul 5 Implementarea unor structuri de control cu regulatoare

fuzzy .........................................................................................................
5.1 Tipuri de structuri de control fuzzy ..............................................................
5.1.1 Structuri de control fuzzy simple ...................................................
5.1.2 Structuri hibride de control fuzzy ..................................................
5.1.3 Structuri de control fuzzy-adaptive ................................................
5.1.4 Structuri de control fuzzy-optimale ...............................................
5.2 Etapele de dezvoltare a unei structuri de control cu regulator fuzzy ............
5.3 Studii de caz ..................................................................................................
5.3.1 Sistem de reglare fuzzy a vitezei unui motor de curent continuu ..
5.3.2 Sistem de poziionare optimal cu regulator fuzzy .........................
5.3.3 Implementarea i testarea unei structuri fuzzy de reglare a vitezei
unui motor sincron ..................................................................................
5.3.4 Controlul fuzzy al temperaturii unei baterii de nclzire ..............
5.3.5 Controlul fuzzy a nivelului unui rezervor .....................................
5.3.6 Modelarea neuro-fuzzy a cazanului de abur CPG 420 din CET
Iai ...........................................................................................................
5.3.7 Observaii generale asupra structurilor de reglare ........................
Capitolul 6 Concluzii ..............................................................................

6.1 Contribuii .....................................................................................................
6.2 Direcii viitoare de cercetare .........................................................................
Bibliografie ..................................................................................................................
Anexa 1 ........................................................................................................................
Anexa 2 .......................................................................................................................
ii
81
84
86
97
105
110
115
115
115
117
118
119
120
124
124
131
136
145
155
161
167
168
169
171
173
180
184
Introducere
Capitolul 1
Introducere
Inteligena poate fi definit ca fiind capacitatea de a sesiza anumite raporturi existente ntre
obiecte si fenomene. Aceast sesizare poate fi senzorial (la animale) i n acest caz ea se datoreaz
reflexelor condiionate, sau intelectual (la om) i aici intervin limbajul si conceptele.
Inteligena computaional studiaz crearea de ageni inteligeni. Un agent inteligent este
un sistem care acioneaz n mod inteligent: ceea ce face este adecvat cu circumstanele i cu
obiectivul su, este flexibil la schimbri de mediu i obiective, nva din experien i ia
deciziile adecvate, date fiind limitele perceptive i calculul finit.
Inteligena computaional este intim legat de disciplina informaticii. Dei exist
numeroi oameni de tiin care nu lucreaz n domeniul calculatoarelor i studiaz inteligena
computaional, o mare parte, dac nu cea mai mare parte a cercetrii, se desfoar n cadrul
departamentelor de informatic. Considerm acest lucru adecvat, din moment ce studiul
calculului este central n cadrul inteligenei computaionale. nelegerea algoritmilor, structurilor
de date i a complexitii combinatorii este esenial pentru construirea de maini inteligente.
Cum inteligena computaional este o tiin, cercetrile n acest domeniu se bazeaz, ca
metod tiinific, pe emiterea i testarea de teorii verificabile. Teoriile inteligenei
computaionale privesc modul n care probleme lumii reale pot fi reprezentate i rezolvate de
ctre maini. Teoriile sunt susinute empiric prin construirea de aplicaii, a cror calitate e
judecat, n parte, conform principiilor informatice tradiionale. Nu se poate realiza inteligena
computaional fr a emite teorii i a construi aplicaii; ele sunt legate indisolubil.
Inteligena computaional, aa cum a fost denumit de Bezdek, [Bezdek, 1992], are ca
obiectiv modelarea inteligenei biologice. Din acest punct de vedere, ea este similar domeniului
numit inteligen artificial. Spre deosebire de inteligent artificial, care este bazat pe noiunea
de cunotin, inteligena computaional este o modelare numeric a inteligenei biologice.
Putem vorbi deci de trei tipuri de inteligen: biologic, artificial i computaional.
Tehnicile aparinnd inteligenei computaionale sunt logica fuzzy, reelele neuronale
artificiale i calculul evolutiv. Tehnicile inteligenei computaionale se utilizeaz n abordarea
unor probleme ce nu pot fi rezolvate prin tehnici tradiionale sau pentru care metodele clasice
sunt costisitoare. Se folosesc, de regul, atunci cnd nu se dispune de suficiente informaii
1
Introducere
despre problem, pentru a elabora un model bine formalizat, sau atunci cnd aceste informaii
sunt afectate de erori.
Teza abordeaz domeniul inteligenei computaionale din perspectiva controlului automat
al proceselor. Tema propus abordeaz un domeniu de mare interes i actualitate, atestat att prin
numrul mare de cercetri, ct i prin aplicaiile industriale din ce n ce mai frecvente i mai
performante.
Teza este constituit din 6 capitole, dintre care un capitol introductiv i un capitol cu
concluzii, bibliografie i dou anexe.
n capitolul 2 se face o expunere a principalelor aspecte teoretice legate de domeniul
inteligenei computaionale. Metodele neconvenionale ale inteligenei computaionale utilizate
pentru controlul automat al proceselor tehnice se bazeaz pe tehnici de implementare a
raionamentului uman. Punctul de pornire al inteligenei computaionale este inteligena
artificial, care grupeaz tehnicile de rezolvare a problemelor "ru-puse" sau a celor pentru
care identificarea este costisitoare. Pentru fiecare din cele trei direcii ale inteligenei
computaionale se face referire la elementele de baz, la suportul matematic care susine intreaga
construcie ulterioar. Sunt prezentate avantajele i dezavantajele fiecrei tehnici.
Noiunile fundamentale ale logicii fuzzy vor sta la baza principalelor contribuii teoretice i
practice prezentate n aceast lucrare. Pentru a nelege mecanismul de inferen al
raionamentului aproximativ folosit n logica fuzzy, n acest capitol sunt prezentate i explicate
noiunile: variabile lingvistice, propoziii fuzzy primare , propoziii fuzzy compuse i proprieti
ale acestora, propoziii fuzzy compuse dac-atunci, funcii de implicaii fuzzy, cu cele mai
reprezentative expresii ale acestora.
Sunt prezentate noiunile de baz ale reelelor neuronale artificiale, principalele
proprietile care stau la baza aplicrii reelelor neuronale n cadrul conducerii proceselor i
domeniul calculului evolutiv Plecnd de la eliminarea dezavantajelor i combinarea avantajelor
utilizrii celor trei subdomenii ale inteligenei computaionale (logica fuzzy, reelele neuronale i
calculul evolutiv) n controlul proceselor se prezint o sintez a sistemelor hibride neuro-fuzzy,
neuro-genetice i genetic-fuzzy.
Capitolul 3 prezint conceptele care stau la baza implementrii regulatoarelor cu logic
fuzzy. Sunt prezentate detaliat prile componente ale unui regulator cu logic fuzzy: blocul
pentru fuzzificare, baza de cunotine, sistemul de inferen i blocul pentru defuzzificare.
Sunt explicate patru tipuri de raionament fuzzy utilizate pentru implementarea unui
regulator cu logic fuzzy, de tip Mamdani, Larsen, Sugeno &Takagi i Tsukamoto. Legile de
reglare clasice pot fi implementate n funcionarea regulatoarelor cu logic fuzzy. Sunt
prezentate regulatoarele fuzzy cu comportare tip cvasi-P, cvasi-PI, cvasi-PD i cvasi-PID.
n cel de-al 4-lea capitol sunt prezentate metode de inferen n bazele rare de reguli fuzzy.
n bazele rare de reguli fuzzy atunci cnd observaiile corespund unor goluri din regulile
premiz, regulile de inferen fuzzy pentru bazele dense de reguli fuzzy nu pot fi aplicate.
2
Introducere
Pentru bazele rare de reguli fuzzy cu premize duble, cnd observaiile aparin unor goluri
din regulile premiz, sunt dezvoltate trei metode noi de inferen fuzzy. Sunt prezentate trei
metode noi de raionament n baze rare de reguli fuzzy cu premize duble, pentru cazurile n care
premizele regulilor i observaiile au toate: funcii de apartenen trapezoidale; funcii de
apartenen triunghiulare; sau funcii de apartenen combinate, triunghiulare i trapezoidale.
Pentru fiecare caz n parte sunt detaliate aspectele teoretice i relaiile de calcul necesare
pentru justificarea metodelor noi de inferen propuse. Plecnd de la analogia dintre tabelele de
decizie de tip Mamdani i bazele rare de reguli fuzzy se propune o metod de calcul a mrimii de
ieire dintr-un tabel de decizie atunci cnd mrimile de intrare aparin golurilor din baza de
reguli ale tabelului. Metoda dezvoltat poate fi aplicat n implementarea regulatoarelor fuzzy cu
tabele de decizie de tip Mamdani pentru obinerea unor mrimi de comand cu variaii continue
n universurile lor de discurs.
Capitolul 5 prezint la nceput principalele tipuri de structuri cu sisteme de reglare cu
regulatoare cu logic fuzzy. Se propune o strucur nou de sistem optimal, bazat pe un regulator
fuzzy pentru urmrirea unei traiectorii optimale ideale. Sunt prezentate etapele de dezvoltare a
structurilor fuzzy de control precum i metode de implementare a regulatoarelor cu logic fuzzy
pentru aplicaii diverse.
n acest capitol sunt prezentate ncercrile experimentale prin care s-au verificat soluiile
teoretice propuse. Metodele noi de inferen n baze rare de reguli cu premize duble, extinse la
regulatoarele cu logic fuzzy cu tabele de decizie de tip Mamdani, au fost validate att prin
simulare ct i prin implementarea unor sisteme de reglare fuzzy n timp real a unor procese, cu
dinamic rapid i cu dinamic lent, existente n dotarea Catedrei de Automatic i Informatic
Aplicat din cadrul Facultii de Automatic i Calculatoare din Iai. Sunt prezentate cinci studii
de caz: sistem de reglare fuzzy a vitezei unui motor de curent continuu; sistem de poziionare
optimal cu regulator fuzzy; sistem de reglare fuzzy a vitezei unui servomotor cu magnei
permaneni; sistem de reglare fuzzy a temperaturii unei baterii de nclzire; i sistem de reglare
fuzzy a nivelului unui rezervor.
n ultima parte a acestui capitol este prezentat modelul neuro-fuzzy ANFIS al unui proces
complex, cazan cu abur, din cadrul CET Iai.
n capitolul 6, dup prezentarea sintetic a tezei de doctorat, sunt enumerate contribuiile
originale n domeniul abordat i sunt conturate direcii viitoare de cercetare n concordan cu
studiile teoretice i experimentale efectuate n tez.
Lucrarea se ncheie cu o bibliografie i dou anexe cu programe n MATLAB i C pentru
dou aplicaii elaborate.
Inteligena computaional
Capitolul 2
Principalul scop tiinific al inteligenei computaionale const n nelegerea principiilor

care fac posibile comportamentul inteligent n cadrul sistemelor naturale sau artificiale. Ipoteza
principal este aceea c raionarea nseamn calculare. Scopul ingineresc principal l reprezint
specificarea metodelor pentru proiectarea de obiecte inteligente i utile.
n loc de a observa doar comportamentul exterior al sistemelor inteligente, aa cum au
fcut n mod tradiional filozofia, psihologia, economia i sociologia, exist capacitatea de a
experimenta cu modele executabile ale comportamentului inteligent. Mai important, astfel de
modele pot fi inspectate, reproiectate i experimentate n mod riguros i complet. Cu alte cuvinte,
acum exist posibilitatea de a construi modelele pe care filozofii nu puteau dect s le
teoretizeze. Se poate experimenta cu aceste modele, fa de simpla discuie asupra proprietilor
lor abstracte. Teoriile noastre pot fi validat empiric prin implementare. Aa cum elul
aerodinamicii nu este sinteza psrilor, ci nelegerea fenomenului de zbor prin construirea de
maini zburtoare, elul suprem al inteligentei computaionale nu l reprezint neaprat imitarea
la scar real a inteligenei umane.
Uneori este important ca un calculator s raioneze ntr-o problem n manier uman.
Acest lucru e mai cu seam important atunci cnd omul necesit explicaii cu privire la modul n
care calculatorul a generat un rspuns. Alteori exist aspecte ale gndirii umane care nu se doresc
a fi duplicate, cum ar fi abiliti aritmetice proaste i nclinaia spre greeal.
Inteligena computaional grupeaz tehnici de rezolvare a problemelor "ru-puse" sau a
celor pentru care modelele formale conduc la algoritmi foarte costisitori.
Probleme "ru-puse nu pot descrie complet printr-un model formal, ci cel mult se
cunosc exemple de rezolvare a problemei.
Probleme"bine-puse-li se poate asocia un model formal pe baza cruia se poate dezvolta
o metod de rezolvare algoritmic.
Rezolvarea unei probleme nseamn stabilirea unei asocieri ntre datele de intrare (valori
iniiale, ipoteze etc.) i rspunsul corect. n cazul problemelor bine-puse aceast asociere este o
4
relaie funcional explicit construit pe baza modelului asociat problemei.
n cazul problemelor ru-puse, ns, o astfel de relaie explicit nu poate fi pus n
eviden, rolul sistemului care rezolv problema fiind de a dezvolta o relaie de asociere
ntrebare-rspuns pe baza unor exemple.
Procesul prin care sistemul i formeaz modelul propriu al problemei i pe baza acestuia
relaia de asociere se numete nvare.
Clasificarea strategiilor de nvare - n ordinea creterii complexitii mecanismelor de
inferen:
- nvarea pe de rost : nici o inferen nu se realizeaz; cunotinele sunt direct implantate.
- nvarea cu instructor: o surs organizat de cunotine (profesor) furnizeaz informaiile;
aceste informaii sunt selectate, reformulate i integrate cu setul deja existent de cunotine.
- nvarea prin deducie: printr-un proces de inferen de tip deductiv, unele concluzii sunt
obinute pe baza setului de cunotine deja dobndit; aceste concluzii sunt apoi memorate.
- nvarea prin analogie: transform cunotinele actuale care se potrivesc (prin similitudine)
noului concept ntr-o form uor de folosit n noua situaie.
- nvarea prin inducie.
- nvarea din exemple (achiziie de concepte): pe baza unor exemple i contra-exemple
prezentate (de supervizor), se deduce o descriere general a exemplelor pozitive i a
exemplelor negative.
- nvarea prin observare i descoperire (nesupervizat): sunt cutate regulile generale care
s descrie toate sau aproape toate observaiile fcute, n absena unui profesor (supervizor)
care s ofere o ndrumare.
Pe de alt parte, din punctul de vedere al complexitii rezolvrii i al relevanei rspunsului
problemele pot fi clasificate n:
Probleme pentru care este esenial obinerea unui rspuns exact indiferent de resursele
implicate - acestea necesit utilizarea unor tehnici exacte.
Probleme pentru care este preferabil sa se obin un rspuns "aproximativ" folosind
resurse "rezonabile" dect un rspuns exact, dar folosind resurse foarte costisitoare.
2.1 Inteligena artificial baza inteligenei computaionale

Inteligena computaional este un domeniu al inteligenei artificiale care grupeaz
tehnicile de rezolvare a problemelor "ru-puse" sau a celor pentru care modelele formale
conduc la algoritmi foarte costisitori. Din aceast perspectiv vom discuta n continuare cteva
lucruri legate de nceputurile acestei tiine, care, dup cum spuneam, se regsesc n istoria
inteligenei artificiale. Momentul de nceput al inteligentei artificiale este considerat ca fiind anul
1956, cnd la Dartmouth College a avut loc o conferin ce-i propunea dezbaterea unor noi
5
aspecte din domeniul calculatoarelor; aici s-a pus problema creierii unor maini de calcul
inteligente. La aceasta conferin John Mc Carthy a introdus conceptul de inteligen
artificial i astfel se consider c acesta este momentul n care aceasta s-a desprins din
tiina calculatoarelor, devenind un domeniu independent. Conferina respectiv poate fi privit
ca nceput al inteligenei artificiale i pentru c Newell, Shaw i Simon au descris primul
program n care calculatorul era utilizat ca procesor simbolic, "Logical Theorist"; acesta poate fi
considerat primul program de inteligen artificial. Aceeai cercettori i-au pus i problema
realizrii unui limbaj capabil sa modeleze posibilitile umane de procesare a informaiilor. Ei au
creat limbajul IPL (Information Processing Language). Limbajul care avea sa se impun n acest
domeniu a fost ns cel dezvoltat de John Mc Carthy, i anume LISP (LISt Processing).
tiina care a avansat, chiar nainte de apariia calculatoarelor, in domeniul unor
construcii inteligente, artificiale, obinnd unele rezultate care prin generalitatea lor au anticipat
posibilitatea "mecanizrii" procesului de efectuare a raionamentelor, este logica formal sau
logica matematic.
Controlerele inteligente utilizeat modelele empirice care formeaz cadrul cu privire la
cum i de ce procesul controlat se comport ntr-un mod special, n loc de a se axa pe modele
matematice explicite ale instalaiei. Problema fundamental n dezvoltarea unui controler
inteligent este deducerea i reprezentarea cunotinelor i experienei operatorilor umani ntr-o
manier care este rspunztoare de prelucrarea computaional.
n controlul convenional, cunotinele despre procesul ce se dorete a fi controlat (de
exemplu, modelul su) sunt utilizate implicit n proiectarea controlerului, n timp ce n controlul
inteligent, cunotinele despre proces sunt diferite de mecanismul de deducie a controlului.
Acest lucru este prezentat schematic n figura 2.1:
Informaii n
timp real
Mecanism de
deducie
Baza de
cunotine
Fig. 2. 1 Elementele de baz a unui sistem inteligent

Prin urmare, este evident c un controler inteligent poate fi uor de configurat
pentru orice proces, prin simpla modificare a bazei de cunotine a acestuia.
2.2 Subdomeniile inteligenei computaionale

Inteligena computaional (calculul inteligent) ofer tehnici necesare prelucrrii
informaiei n sistemele inteligente.
Direciile de lucru n inteligena computaional sunt:
Logica fuzzy - folosit atunci cnd datele problemei (i relaiile dintre acestea) nu
pot fi descrise exact, ci exist un grad de incertitudine (" fuzziness"). Ideea de baz este de a
nlocui valorile exacte ("crisp") cu valori "fuzzy", descrise prin funcii de apartenen.
Reelele neuronale - folosite n principal n rezolvarea problemelor de asociere,
bazndu-se pe extragerea, prin nvare, a unui model pornind de la exemple. Sursa de
inspiraie o reprezint structura i funcionarea creierului.
Calculul evolutiv folosit, n principal, n rezolvarea problemelor bazate pe
cutarea soluiei ntr-un spaiu mare de soluii poteniale. Sursa de inspiraie o reprezint
principiile evoluionismului darwinist.
O caracteristic a sistemelor care folosesc metode din inteligena computaional
este aceea c rezultatele obinute nu sunt exacte (nu sunt metode exacte de rezolvare a
problemelor), ns sunt suficient de bune raportat la costul metodei. Pentru multe dintre
acestea nu exist rezultate teoretice care s asigure convergena sigur ctre rezultatul exact, ci
doar convergena n sens probabilist (probabilitatea ca rspunsul sa fie bun tinde ctre 1).
Pentru a compensa caracterul incomplet sau inconsistent al datelor problemei, n
metodele inteligenei computaionale sunt introduse frecvent elemente aleatoare, fie prin
simularea unor variabile aleatoare (n cazul calculului neuronal i a celui evolutiv), fie prin
introducerea unui alt tip de nedeterminism (n cazul calculului fuzzy).
n fiecare dintre cele trei direcii, majoritatea prelucrrilor care se efectueaz au caracter
numeric, fiind necesar o codificare numeric adecvat a problemei. Aceasta motiveaz
prezena cuvntului calcul n denumirea domeniului. Pe de alt parte, n fiecare dintre direciile
de mai sus se ncearc simularea unor comportamente inteligente, ceea ce motiveaz prezena
termenului inteligent.
Principiul fundamental al calculului neuronal i al celui evolutiv este de a dezvolta
sisteme de calcul inteligent, pornind de la implementarea unor reguli simple, comportamentul
complex al acestor sisteme derivnd din aplicarea n paralel i n manier interactiv, a acestor
reguli. Aceast abordare de tip "bottom-up" este n contrast cu abordarea de tip "top-down"
specific celorlalte domenii ale inteligenei artificiale.
7
Figura 2.2 arat cum inteligena computaional poate fi clasificat n funcie de forma de
cunoatere (de exemplu, structurat/nestructurat) i de modul n care aceste cunotine sunt
prelucrate (de exemplu, simbolic/numeric). Pentru aplicaii de control, cunotinele pot fi
structurate sau nu n timp ce prelucrarea este invariabil numeric. Sistemele expert, dei apar n
aceast clasificare sunt tratate de teoria inteligenei artificiale.
PRELUCRARE
Numeric
Simbolic
Structurate
Sistemele
expert
Sistemele
fuzzy
CUNOTINE
Sistemele
neuronale
Nestructurate
Fig. 2.2 Sisteme inteligente
2.3 Logica fuzzy

2.3.1 Noiuni fundamentale
Majoritatea raionamentelor umane nu opereaz cu logica tradiional bivalent, sau cu
orice logic clasic multivalent, ci cu o logic cu adevruri vagi. Bazele teoriei mulimilor vagi
(fuzzy set theory) au fost puse de profesorul L.A. Zahed n 1965, printr-o lucrare ce prea n
prima faz doar de natura unui amuzament matematic.
Noiunea de mulime fuzzy a fost introdus ca o generalizare a conceptului de apartenen
binar a unui element la o mulime.
Mulimea fuzzy este o mulime creia i se asociaz o funcie caracteristic ce ia valori n
intervalul [0,1], valorile acesteia descriind gradul de apartenen al unui element la acea
mulime.[Mirea L., 2002]
Fie X universul discursului, cu elemente notate x. O mulime fuzzy A a universului de
discurs X este caracterizat de o funcie de apartenen A care asociaz fiecrui element x un
grad de apartenen la mulimea A:
A :X[0,1]
(2.1)
8
Mulimea fuzzy A n universul X este mulimea:
A={(x, A (x))/ xX}
(2.2)
Mulimile fuzzy pot fi reprezentate deci ca mulimi de perechi ordonate ale elementelor
lor generice x i ale gradelor funciilor lor de apartenen. O notaie echivalent pentru o pereche
ordonat
(x, A (x)) este A (x)/x.
(2.3)
Construirea unei mulimi fuzzy depinde de stabilirea universului de discurs i a funciei

de apartenen. Alegerea funciei de apartenen este subiectiv, n sensul c persoane diferite
pot alege funcii de apartenen diferite pentru a exprima acelai concept. Acest subiectivism
decurge din diferenele care exist ntre indivizi relativ la modul de a percepe i exprima
concepte abstracte.
n practic, n cazul unui univers de discurs continuu (mulimea numerelor reale sau un
interval al ei), de regul se definesc mai multe mulimi fuzzy a cror funcie de apartenen
acoper ntreaga mulime X ntr-un mod mai mult sau mai puin uniform. Aceste mulimi fuzzy
care, de regul, se asociaz unor adjective uzuale din vorbirea curent cum ar fi "mare", "mediu",
"mic", se numesc valori lingvistice.
Fie A o submulime fuzzy a universului de discurs X. Se numete suportul lui A
submulimea lui X ale crei elemente au grade de apartenen nenule n A:
suport(A) = {x X/ A (x) > 0}
(2.4)
O mulime fuzzy A al crei suport este format dintr-un singur element x X pentru care
A ( x ) = 1 se numete singleton.
Nucleul unei mulimi fuzzy A este dat de mulimea elementelor x A pentru care
A (x) = 1:
nucleu( A) = {x X / A ( x) = 1}
(2.5)
O mulime fuzzy A este normal dac nucleul su este o mulime nevid (exist cel puin
un element x A astfel nct A ( x ) = 1 ).
Un punct de ncruciare al unei mulimi fuzzy A este reprezentat de un element
x X pentru care A ( x ) = 0.5 :
incrucisare( A) = {x X / A ( x) = 0.5}
(2.6)
n figura 2.3 sunt ilustrate definiiile de mai sus.

funcie de
apartenen
funcie de
apartenen
singleton
fuzzy
0.5
uni vers de
discurs
univers de
discurs
nucleu
nucleu i suport
puncte de
ncruciare
suport
Fig. 2. 3 Noiuni de baz ale mulimilor fuzzy

Tietura- a unei mulimi fuzzy A este mulimea n sens clasic format din elementele
x X pentru care A ( x ) :
A = {x X / A ( x ) }
(2.7)
Tietura- puternic a mulimii fuzzy A este dat de:

A ' = {x X / A ( x ) > }
(2.8)
O mulime fuzzy A este convex dac i numai dac, pentru orice x1 , x 2 X i orice
[0,1] are loc relaia:
A ( x1 + (1 ) x 2 ) min{ A ( x1 ), A ( x 2 )}
(2.9)
Altfel spus, mulimea fuzzy A este convex dac toate tieturile- ale sale, sunt mulimi convexe
(figura 2.4).
10
Un numr fuzzy A este o mulime fuzzy ce are ca univers de discurs axa numerelor reale i
care satisface condiiile de normalitate i convexitate enunate anterior.
Funcie
de
apartenen
Funcie
de
apartenen
(a) Dou mulimi fuzzy convexe
(b) O mulime fuzzy non-convex
Fig. 2.4 Mulimi fuzzy convexe (a) i non-convexe (b)

Pentru o mulime fuzzy normal i convex se definete lrgimea sa ca fiind distana dintre
cele dou puncte de ncruciare (unice) ale sale:
width(A) = x1 x 2 ,
(2.10)
unde A ( x1 ) = A ( x 2 ) = 0.5 .
O mulime fuzzy A este simetric dac funcia sa de apartenen este simetric n jurul unui
punct c X :
A (c + x ) = A (c x ), x X
(2.11)
2.3.2 Funcii de apartenen

O mulime fuzzy este complet definit de ctre funcia sa de apartenen. Majoritatea
mulimilor fuzzy folosite n diverse aplicaii au ca univers de discurs mulimea numerelor reale.
Din acest motiv, cea mai convenabil exprimare a funciei de apartenen ataat unei mulimi
fuzzy este cea folosind funciile analitice de variabil real.
- Funcia de apartenen triunghiular: este definit cu ajutorul a trei parametri {a, b, c}
dup cum urmeaz:
11
xa
0,
x a
,
triunghi( x; a , b, c) = b a
cx
,
cb
0,
axb
bxc
(2.12)
cx
sau, folosind funciile min i max:

triunghi ( x; a , b, c) = max{min{
xa cx
,
},0}
ba cb
(2.13)
- Funcia de apartenen trapezoidal: se definete cu ajutorul a patru parametri {a, b, c, d}

dup cum urmeaz:
0,
x b
,
b a
trapez( x; a , b, c, d ) =
1,
d x
d c ,
0,
xa
axb
bxc ,
(2.14)
cxd
dx
sau, folosind funciile min i max:

trapez( x; a , b, c, d ) = max{min{
xa dx
,1,
},0}
ba dc
(2.15)
- Funcia de apartenen gaussian: se definete prin intermediul a doi parametri {c, }

astfel:
1 x c 2
gauss( x; c, ) = exp

2
(2.16)
Parametrul c se numete centrul funciei de apartenen, iar determin lrgimea funciei de

apartenen.
- Funcia de apartenen de tip "clopot generalizat": se definete cu ajutorul a trei parametri
reali {a, b, b} astfel:
12
clopot( x; a , b, c) =
(2.17)
2 b
xc
1+
a
unde b este, de regul, un parametru real pozitiv. Acest tip de funcie de apartenen reprezint o
generalizare a distribuiei Cauchy folosit n teoria probabilitilor. Din acest motiv, ea se
ntlnete n literatur i sub denumirea de funcie de apartenen Cauchy.
Fig. 2.5 Tipuri de funcii de apartenen

Pentru aplicaiile practice din domeniul conducerii automate sunt preferate mulimile
fuzzy (termeni lingvistici) cu funcia de apartenen avnd flancurile segmente de dreapt
deoarece ele sunt relativ uor prelucrabile analitic.
2.3.3 Conectori i operatori ai mulimilor fuzzy
Diferitele cerine de tratare a informaiei fuzzy necesit existena unor conectori
lingvistici (cuplori) ai termenilor lingvistici prin care se caracterizeaz o mulime fuzzy.
Evaluarea conexiunilor se bazeaz pe utilizarea unor operatori adecvat definii.
Observaii: 1) dou mulimi fuzzy sunt egale (A=B) dac i numai dac :
13
xX, A(x) = B(x)
(2.18)
2) mulimea fuzzy A e o submulime a mulimii fuzzy B (AB) dac i numai dac xX,
A(x) B(x)
A.
(2.19)
Conectorul I (operatorul I) = intersecia mulimilor fuzzy

Mulimile fuzzy care se intersecteaz trebuie s fie definite pe acelai orizont de discurs X.
Conectarea i intersecia a dou mulimi fuzzy 1,2 se definete prin relaia:
=12=12=12:X[0,1]
(2.20)
i se evalueaz (de exemplu) prin operatorul minim (MIN), conform regulii:

(x)=(12)(x)=MIN(1,2) , xX
B.
(2.21)
Conectorul SAU (operatorul SAU) = reuniunea mulimilor fuzzy

Mulimile fuzzy care se reunesc trebuie s fie definite pe acelai orizont de discurs X.
Conectarea SAU (reuniunea) a dou mulimi fuzzy 1,2 se definete prin relaia:
=12=12=12:X[0,1]
(2.22)
i se evalueaz (de exemplu) prin operatorul maxim (MAX), conform regulii:

(x)=(12)(x)=MAX(1,2) , xX
(2.23)
C.
Operatorul de complementare fuzzy sau de negare fuzzy

Dac :X[0,1] este o mulime fuzzy, atunci se definete complementul fuzzy al
acesteia, c, interpretat ca negata mulimii fuzzy , sub forma:
c:X[0,1],
cu proprietatea c(x)=1-(x), xX
D.
(2.24)
(2.25)
Operatorul produs (PROD)

Operatorul produs constituie o alternativ n evaluarea prin operatorul MIN a interseciei.
Operatorul PROD se definete i se evalueaz pe baza relaiei:
14
(x) =PROD(1(x),2(x))=1(x)*2(x), xX
(2.26)
E.
Operatorul sum (SUM)
Operatorul sum constituie o alternativ n evaluarea conexiunilor SAU prin crearea valorii
medii conform relaiei:
(x)=SUM(1(x),...,m(x))=(1/m)[1(x)+...+m(x)], xX
(2.27)
F.
Operatorul MIN-MAX
Asigur formarea rezultatului evalurii unor conexiuni prin contribuia ponderat a operatorilor
MIN-MAX conform relaiei:
(x)=*MIN(1(x),2(x))+(1-)*MAX(1(x),2(x), xX
(2.28)
n care [0,1].
- prin codificarea lui se obine o subiectivizare a rezultatului.
2.3.4 Reguli i raionamente fuzzy
Relaiile fuzzy pot fi combinate prin intermediul operaiei de compunere. Au fost propuse
mai multe modaliti de compunere a relaiilor fuzzy, cea mai folosit fiind compunerea maxmin. [Jang, et al., 1997].
Fie R1 i R2 dou relaii fuzzy binare definite pe X x Y i, respectiv, pe Y x Z. Compunerea
max-min a relaiilor R1 i R2 este o mulime fuzzy definit astfel:
R 1 o R 2 = {(( x, z), max min{ R1 ( x, y), R 2 ( y, z)}) / x X, y Y, z Z}

yY
(2.29)
a crei funcie de apartenen este:
R1oR 2 ( x, z) = max min{ R1 ( x, y), R 2 ( y, z)}

yY
(2.30)
Un alt tip de compunere a dou relaii fuzzy este compunerea max-produs.

Fie R1 i R2 dou relaii fuzzy binare definite pe X x Y i, respectiv, pe Y x Z. Compunerea maxprodus a relaiilor R1 i R2 este o mulime fuzzy a crei funcie de apartenen este:
R1oR 2 ( x, z) = max( R1 ( x, y) R 2 ( y, z)) ,

yY
15
(2.31)
unde x X , y Y i z Z .
O variabil lingvistic este caracterizat de un cvintuplu (x, T(x), X, G, M) ale crui
elemente au urmtoarele semnificaii:
- x reprezint numele variabilei;
- T(x) este mulimea valorilor lingvistice ale variabilei x;
- X este universul de discurs al variabilei;
- G este regula sintactic ce genereaz termenii din mulimea T(x);
- M este regula semantic care asociaz fiecrei valori lingvistice A din T(x) nelesul ei M(A)
care este exprimat printr-o mulime fuzzy definit pe universul de discurs X.
Exemplu: Dac x = "vrsta" este interpretat ca fiind o variabil lingvistic, atunci mulimea
valorilor sale T(x) poate fi format din:
T(x)={tnr, foarte tnr, nu foarte tnr,
de vrst mijlocie, nu de vrst mijlocie,
btrn, foarte btrn, mai mult sau mai puin btrn, nu foarte btrn,}
unde fiecare termen al mulimii T(x) este caracterizat de o mulime fuzzy peste un univers de
discurs X = [0,100], aa cum este prezentat n figura 2.6. Regula sintactic se refer la modul n
care se genereaz valorile lingvistice din mulimea T(x), iar regula semantic definete o funcie
de apartenen fiecrei valori lingvistice (fig. 2.6).
1
Tnr
Btrn
Vrst mijlocie
Foarte
tnr
0.5
Foarte
btrn
20
40
60
80
100
X = vrsta
Fig. 2.6 Exemplu de variabil lingvistic

Negarea i conectivele "I" i "SAU" se pot defini astfel:
NOT(A) = {(x,1 A ( x )) / x X}
not
A "I" B = A B = {( x, A ( x ) B ( x )) / x X}
16
(2.32)
(2.33)
not
A "SAU" B = A B = {( x, A ( x) B ( x)) / x X }
(2.34)
n care A i B sunt dou valori lingvistice ale aceleiai variabile lingvistice ale cror neles este
determinat de funciile de apartenen A ( x ) i B ( x ) .
Relaii fuzzy "dac atunci"
O relaie (regul) fuzzy "dac atunci" are forma:
dac x este A atunci y este B,
(2.35)
unde A i B sunt valori lingvistice caracterizate de mulimi fuzzy definite pe universurile de

discurs X i, respectiv, Y. De regul, faptul "x este A" se numete antecedent sau premiz a
regulii, iar faptul "y este B" este numit consecina sau concluzia regulii.
O regul fuzzy "dac atunci" se poate defini ca fiind o relaie fuzzy binar R definit pe
produsul cartezian al universurilor de discurs X i Y, fiind posibile dou moduri de interpretare:
a) "A cuplat cu B" i atunci relaia fuzzy ce definete regula este:
not
R = A B = {[(x, y), A ( x ) B ( y)] /( x, y) X Y} ,
(2.36)
n care A ( x ) i B ( y) sunt funciile de apartenen ale mulimilor fuzzy ce caracterizeaz

valorile lingvistice A i, respectiv, B, iar ' ' este un operator de tip norma-T;
b) "A impune B" i atunci relaia fuzzy ce definete regula poate fi de una din formele:
- R = NOT ( A ) B ;
- R = NOT ( A ) ( A B) ;
- R = [ NOT ( A ) NOT (B)] B ;
(2.37)
- R ( x, y) = sup{c / A ( x ) c B ( y), 0 c 1} , n care ' ' este operator de tip norma-T.

Raionamentul fuzzy (aproximativ) este o procedur de inferen care furnizeaz
concluzii pe baza unui set de reguli fuzzy "dac - atunci" i a unui set de fapte cunoscute.n
logica binar tradiional, raionamentele au la baz regula "modus ponens" conform creia se
poate deduce valoarea de adevr a unei propoziii B cunoscnd valoarea de adevr a propoziiei
A care implic B ( A B ):
17
observaia: "x este A"
regula: dac "x este A" atunci "y este B"
concluzia: "y este B"
n raionamentul uman, regula "modus ponens" este aplicat ntr-o manier aproximativ:
observaia: "x este A' "
regula: dac "x este A" atunci "y este B"
concluzia: "y este B' "
unde A' este apropiat de A i B' este apropiat de B. Dac A, B, A' i B' sunt mulimi fuzzy
definite pe anumite universuri de discurs, atunci acest tip de raionament se numete raionament
fuzzy sau raionament "modus ponens" generalizat.
Fie A, A' dou mulimi fuzzy definite pe universul de discurs X i B, B' dou mulimi fuzzy
definite pe Y. Se consider c regula fuzzy:
dac x este A atunci y este B
(2.38)
se exprim sub forma unei relaii fuzzy R definit pe X x Y. Atunci mulimea fuzzy B' indus de
faptul x este A' i regula fuzzy (2.38) are funcia de apartenen:
B' ( y) = max min[ A ' ( x ), R ( x , y)] B' = A'oR ,
xX
(2.39)
unde A ' ( x ), R ( x, y) sunt funcia de apartenen a mulimii fuzzy A' i, respectiv, funcia de
apartenen a relaiei fuzzy binare R.
O regul fuzzy cu o premiz
O regul fuzzy cu o premiz este de forma celei din expresia (2.38). Funcia de aparten a
mulimii fuzzy B' indus de regula (2.38) i de faptul x este A' dat de relaia (2.39) se poate
rescrie sub forma:
B' ( y) = max[ A ' ( x ) A ( x )] B ( y) = w B ( y)
xX
(2.40)
Din relaia (2.40) se observ c mai nti se determin gradul de suprapunere, w, al mulimilor
fuzzy A i A'. Apoi, funcia de apartenen a mulimii B' se obine trunchiind funcia de
apartenen a mulimii fuzzy B corespunztor gradului de suprapunere w. Intuitiv, w reprezint
msura ncrederii acordate premizei regulii fuzzy activat de faptul x este A'. Acesta se
18
propag mai departe prin intermediul regulii fuzzy dac atunci rezultnd gradul de ncredere
acordat consecinei regulii ce nu poate depi valoarea w (fig. 2.7).
B
B
w
y
Fig. 2.7 Raionament fuzzy folosind o regul fuzzy cu o premiz

O regul fuzzy cu mai multe premize
O regul fuzzy dac atunci cu dou premize are forma general:
dac x este A i y este B atunci z este C.
Raionamentul fuzzy care folosete acest tip de regul poate fi formulat astfel:
observaia: x este A' i y este B'
regula: dac x este A i y este B atunci z este C
concluzia: z este C'
(2.41)
Aceast regul fuzzy poate fi privit ca o relaie fuzzy ternar, Rm dat de:
R m = {[( x , y, z), A ( x ) B ( y) C (z)] /( x , y, z) X Y Z}
Funcia de apartenen a mulimii C': C' = (A'B' ) o R m ,
care
(2.42)
reprezint
concluzia
raionamentului fuzzy, este:

c' ( Z) = [ A ' ( x ) B' ( y)] [ A ( x ) B ( y) C (z)] =
xX
yY
= [ A ' ( x ) B' ( y) [ A ( x ) B ( y)] C (z) =

xX
yY
(2.43)
= { [ A ' ( x ) A ( x )]} { [ B' ( y) B ( y)]} C (z) = ( w 1 w 2 ) C (z)

xX
yY
unde w1 i w2 reprezint maximele funciilor de apartenen ale A A ' i, respectiv, B B' . n

general, w1 i w2 exprim gradul de compatibilitate dintre A i A' i, respectiv, B i B'.
19
w 1 w 2 se numete putere de activare sau grad de ndeplinire a regulii fuzzy i reprezint
msura n care partea de premiz a regulii este satisfcut de faptul x este A' i y este B'
(figura 2.8).
Mulimea fuzzy C' este dat de:
C' = [A'oR1 ] [B'oR 2 ] ,

unde R1 i R2 sunt reguli fuzzy cu o singur premiz ce provin din regula i y este B atunci z
este C (2.41) considernd, pe rnd, cte o premiz:
R1: dac x este A atunci z este C;
R2: dac y este B atunci z este C.
Astfel, mulimea fuzzy C' se poate exprima ca fiind intersecia a dou mulimi fuzzy C1' i C2'
date de:
C1 ' = A'oR1 ; C 2 ' = B'oR 2 ,
care reprezint concluziile regulilor fuzzy R1 i R2.
w1
C
w2
y
w= min(w1,w2)
Figura 2.8 Raionament fuzzy folosind o regul fuzzy cu dou premize

Dac o regul fuzzy se enun astfel:
dac x este A sau y este B atunci z este C,
(2.44)
atunci puterea de activare a regulii este dat de maximul gradelor de compatibilitate

corespunztoare celor dou premize. n felul acesta, regula (2.44) devine echivalent cu
reuniunea a dou reguli fuzzy de forma:
dac x este A atunci z este C,
dac y este B atunci z este C.
20
Reguli fuzzy multiple cu premize multiple
Regulile fuzzy multiple cu premize multiple sunt formate din dou sau mai multe reguli fuzzy cu
premize multiple. Un exemplu este urmtorul:
observaia: x este A' i y este B'
regula1: dac x este A1 i y este B1 atunci z este C1
regula2: dac x este A2 i y este B2 atunci z este C2
concluzie: z este C'
(2.45)
Notnd cu R1 prima regul i cu R2 cea de a dou regul, acestea fiind exprimate prin relaii
fuzzy, atunci mulimea fuzzy C', care reprezint concluzia raionamentului, este dat de:
C' = (A'B' ) o (R1 R 2 ) = [A'B' ) o R1 ] [(A'B' ) o R 2 ] = C1 'C 2 ' ,
(2.46)
unde C1' i C2' sunt consecinele regulilor 1 i, respectiv, 2 considerate separat.
2.4 Reelele neuronale artificiale

Preocuparea pentru reelele neuronale artificiale, denumite simplu reele neuronale, a
fost motivat de recunoaterea faptului c modul n care calculeaz creierul fiinelor vii este
complet diferit de cel al calculatoarelor numerice convenionale. Spre deosebire de mainile von
Neumann, unde exist o unitate de procesare care execut instruciunile stocate n memorie n
mod serial, numai o instruciune la un moment dat, reelele neuronale utilizeaz n mod masiv
paralelismul. Fiind modele simplificate ale creierului uman, ele dein capacitatea de a nva,
spre deosebire de calculatoarele convenionale, care rmn totui mai eficiente pentru sarcinile
bazate pe operaii aritmetice precise i rapide. Reelele neuronale nu dispun de uniti de
procesare puternice, dimpotriv, acestea sunt caracterizate printr-o simplitate extrem, ns
interaciunile lor pe ansamblu produc rezultate complexe datorit numrului mare de conexiuni.
Pentru a nelege mai bine aceast abordare, trebuie precizat modul de funcionare al
sistemului nervos. Constituienii structurali ai creierului sunt neuronii, conectai prin sinapse. Se
estimeaz c n cortexul uman exist circa 10 miliarde de neuroni i 60 de trilioane de sinapse.
Trebuie precizat ns c neuronii nu sunt cele mai numeroase celule din creier. Celulele gliale
sunt de 10 ori mai multe. n mod tradiional, se consider c acestea au numai funcii de nutriie
i protecie, ns n ultimul timp au demarat cercetri privitoare la influena lor potenial asupra
activitii de procesare a neuronilor. Neuronul const n principal din trei componente: corpul
celulei (soma), dendrite i axon. Dendritele sunt intrrile neuronului, fibre scurte ramificate, de
civa milimetri, care primesc impulsuri. Axonul, ieirea, este o fibr mai lung, de civa
21
centimetri, putnd ajunge ns la 1-1,5 metri. Fiecare neuron are un singur axon i mai multe (1020) de dendrite.
O schi a unui neuron este prezentat n figura 2.9:
Fig. 2.9 Schia unui neuron biologic

Neuronii nu se ating n mod direct, ci sunt separai prin spaii numite sinapse. Acestea sunt
uniti structurale i funcionale elementare care mediaz interaciunile dintre neuroni. Tipul cel
mai rspndit de sinaps este sinapsa chimic, ce opereaz astfel: un proces presinaptic
elibereaz o substan transmitoare, care difuzeaz peste jonciunea sinaptic dintre neuroni i
apoi acioneaz asupra unui proces postsinaptic. Astfel o sinaps convertete un semnal electric
presinaptic ntr-un semnal chimic (ioni de sodiu i potasiu) i apoi din nou ntr-un semnal electric
postsinaptic.
n descrierile tradiionale ale organizrii neuronale, se consider c o sinaps este o
conexiune simpl care poate impune excitare sau inhibare, dar nu ambele, neuronului receptor.
Ambele efecte sunt locale; ele se propag pe o distan mic n corpul celulei i sunt nsumate la
nivelul axonului. Dac suma potenialelor de excitare depete un anumit prag, atunci neuronul
este activat i transmite un impuls mai departe. n mod analog funcioneaz i o reea neuronal.
n cea mai general form a sa, o reea neuronal este o main proiectat pentru a modela felul
n care creierul rezolv o anumit problem sau execut o funcie cu un anumit scop; reeaua este
de obicei implementat folosindu-se componente electronice sau simulat prin software pe un
calculator digital. Se consider c o reea neuronal este un procesor masiv paralel, distribuit,
care are o tendin natural de a nmagazina cunotine experimentale i de a le face disponibile
pentru utilizare. Ea se aseamn cu creierul n dou privine:
Cunotinele sunt cptate de reea printr-un proces de nvare;
22
Cunotinele sunt depozitate nu n unitile de procesare (neuroni), ci n conexiunile
interneuronale, cunoscute drept ponderi sinaptice. [Haykin S., 1999]
Procedura folosit pentru a executa procesul de nvare se numete algoritm de nvare,
funcia cruia este de a modifica ponderile sinaptice ale reelei ntr-un stil sistematic pentru a
atinge obiectivul dorit de proiectare. Printre numeroasele proprietai interesante ale unei reele
neuronale, cea mai semnificativ este abilitatea acesteia de a nva prin intermediul mediului
nconjurtor i, prin aceasta, s-i mbunteasc performanele; creterea performanelor are loc
n timp i conform cu unele reguli prestabilite. O reea neuronal i nva mediul printr-un
proces iterativ de ajustri aplicate conexiunilor i pragurilor sale sinaptice. n mod ideal, reeaua
devine mai inteligent dup fiecare iteraie a procesului de nvare.
n contextul reelelor neuronale vom defini astfel nvarea: un proces prin care parametrii
variabili ai unei reele neuronale se adapteaz printr-un proces continuu de stimulare din partea
mediului n care este inclus. Tipul de nvare este determinat de modul n care au loc
schimbrile parametrilor.
Aa cum fiinele umane acumuleaz cunotine prin nvare, reelele neuronale nva
un comportament (realizarea unei funcii) prin antrenare i nu prin programare algoritmic.
Fiecare unitate funcional primete cteva semnale de intrare pe care le prelucreaz i produce
un semnal de iesire. Interaciunea multor uniti cu funcionare simpl conduce la un sistem
care poate s rezolve probleme complexe. Funcionarea sistemului este controlat de un set
numeros de parametri ajustabili, care permit acestuia s se adapteze ct mai fidel mediului
informaional n care este amplasat (specific problemei de rezolvat).
Una dintre cele mai importante caracteristici ale unui sistem neuronal este caracterul su
adaptiv. Aceste sisteme sunt adecvate, astfel, pentru problemele ce sunt dificil sau chiar
imposibil de formalizat, pentru ele existnd doar exemple de rezolvare.
O reea neuronal este definit de ansamblul urmtoarelor enunuri:
1) O reea neuronal este o structur paralel, de prelucrare distribuit a informaiei, n
forma unui graf orientat.
2) Un graf orientat este un obiect geometric format dintr-un set de puncte (denumite
noduri) unite prin arce orientate (denumite legturi).
3) Nodurile reelei se numesc elemente de prelucrare.
4) Legturile reelei se numesc conexiuni. Fiecare conexiune funcioneaz ca o cale
unidirecional de propagare instantanee a unui semnal.
5) Fiecare element de prelucrare poate avea la intrare orict de multe conexiuni.
6) Elementele de prelucrare pot avea memorie local.
7) Fiecare element de prelucrare conine o funcie de transfer.
23
Nodurile grafului orientat aflate pe acelai nivel se constituie ntr-un strat. Reelele pot
avea un singur strat (structura cea mai simpl) sau cel puin dou straturi, din care ultimul se
numete strat de ieire. Fluxul informaional se propag prin reea dinspre intrare, trecnd prin
straturile interne, ctre stratul de ieire. Conexiunile posibile sunt: nainte, napoi, lateral,
recurent. Figura 2.10 sintetizeaz elementele de structur enumerate.
legturi
nainte
legturi
napoi
legturi
recurente
u1
y1
u2
y2
legturi
laterale
intrri
ieiri
uN
yM
strat
de intrare
straturi
interne
strat
de ieire
Fig. 2.10 Reeaua neuronal privit ca un graf orientat

Denumirea consacrat pentru desemnarea unui element de prelucrare este aceea de neuron
i are structura general prezentat n figura 2.11. Intrrile n neuron sunt semnalele ui, i=1,...,N.
Legturile dinspre ali neuroni se numesc sinapse. Fiecrei sinapse i este asociat o pondere wi.
Fiecare pondere se nmulete cu valoarea intrrii corespunztoare i rezultatele se nsumeaz,
ceea ce de fapt reprezint produsul scalar dintre vectorul u al intrrilor i vectorul w al
ponderilor:
N
x = wT u = wi u i
i =1
24
(2.47)
u1
w1
w2
u2
wN
uN
Fig. 2.11 Structura unui neuron

2.4.1 Funcia de activare
Funcia de activare modeleaz dependena dintre ieirea y i starea x a neuronului. n
general, funcia de activare este neliniar. Cel mai des folosite tipuri de funcii de activare pentru
neuronul artificial sunt:
-
funcia liniar:
y = (x) = x ;
funcia tangent hiperbolic:

y = tanh( x ) =
e ( x ) e ( x )
(2.49)
(2.50)
1, x 1
y = x , x < 1 ;
1, x 1
(2.51)
e ( x ) + e ( x )
funcia sigmoid:
y = sig ( x ) =
(2.48)
1
1 + e ( x )
funcia limitator:
funcia Gauss:
2
y = G ( x c) = e ( x c ) ;
25
(2.52)
-
funcia limitator hard cu dou stri:

0, x < 0
y=
.
1, x > 0
(2.53)
n aceste expresii, este un parametru care se numete valoare de prag sau deplasament.
Semnificaia biologic a acestui parametru este valoarea ce trebuie depit de starea intern a
neuronului, pentru ca acesta s devin activ. Matematic, deplasamentul realizeaz o translare a
mrimii de activare a neuronului pe direcia axei absciselor.
2.4.2
Antrenarea reelei neuronale
Capacitatea reelelor neuronale de a nva const n proprietatea acestora de a-i modifica

parametrii (ponderile i valorile de prag ale neuronilor) pe baza datelor de intrare folosite n faza
de antrenare (nvare). Aceast proprietate se realizeaz prin intermediul regulii de nvare.
Aceasta trebuie s exprime totalitatea modificrilor efectuate la nivelul reelei neuronale,
modificri care induc acesteia, n final, comportamentul dorit.
Modificrile ce se efectueaz sunt:
- adaptri ale parametrilor reelei neuronale,
- crearea sau distrugerea unor conexiuni ntre neuronii reelei neuronale,
- schimbarea tipului funciei de activare a unui (unor) neuron (neuroni).
Antrenarea reelei neuronale poate fi:
a) antrenare supervizat: se determin acele valori ale ponderilor i deplasamentelor
neuronilor reelei care conduc la minimizarea unei anumite funcii criteriu; cea mai folosit
funcie criteriu este de tipul erorii medii ptratice dintre ieirea actual y a reelei i ieirea
dorit y d a acesteia, corespunztoare unui vector de intrare cunoscut. Vectorul de eroare este
e = y y d . n figura 2.12 este prezentat, schematic, principiul antrenrii supervizate a unei reele
neuronale.
26
RNA
+
e
Procedura
de
antrenare
yd
Fig. 2.12 Principiul antrenrii supervizate a unei reele neuronale artificiale

b) antrenarea nesupervizat: este o manier de antrenare a reelei neuronale mai apropiat de
procesul de nvare realizat de fiinele umane n comparaie cu antrenarea supervizat; acest tip
de nvare are drept scop gsirea acelor valori ale parametrilor reelei neuronale care s verifice
urmtorul criteriu de consisten: aplicarea unui anumit vector de intrare sau al altuia suficient de
similar cu primul trebuie s produc aceeai form la ieirea reelei neuronale.
Antrenarea reelei neuronale, supervizat sau nesupervizat, poate fi realizat:
1) secvenial: la intrarea reelei neuronale se aplic vectorii succesiv, parametrii reelei
neuronale fiind modificai dup fiecare vector de intrare aplicat;
2) n bloc: parametrii reelei neuronale sunt modificai dup ce au fost aplicai la intrarea sa
toi vectorii setului de antrenare.
Pentru rezolvarea unei probleme practice cu ajutorul reelei neuronale, trebuie parcurse
urmtoarele dou etape:
a) antrenarea reelei neuronale: n aceast etap sunt determinate valorile parametrilor
reelei neuronale care induc acesteia comportamentul dorit;
b) evaluarea reelei neuronale: n aceast etap, este evaluat ieirea reelei neuronale
corespunztor mrimilor de intrare specifice problemei de rezolvat, reeaua neuronal avnd o
comportare fix, corespunztoare valorilor parametrilor si, determinai n etapa de antrenare.
Reelele neuronale sunt utile n ceea ce privete aplicarea lor n domeniul controlului automat
datorit urmtoarelor proprieti :
- sunt sisteme neliniare, proprietate datorat funciei de activare neliniar, n general, a
neuronilor artificiali; aceasta face ca reelele neuronale s fie aplicabile la modelarea sistemelor
dinamice neliniare;
- realizeaz o prelucrare paralel, distribuit a informaiei datorit structurii lor; aceasta
27
permite o implementare paralel a reelelor neuronale, ceea ce conduce la o prelucrarea rapid a
informaiei;
- au capacitatea de a nva i de a se adapta: o reea neuronal nva s reproduc la
ieirea sa valori corespunztoare datelor din setul de antrenare; o reea neuronal antrenat n
mod adecvat este capabil s generalizeze (realiznd fie o interpolare, fie o extrapolare) atunci
cnd are la intrare valori ce nu sunt cuprinse n setul de antrenare; de asemenea, reelele
neuronale artificiale pot fi adaptate on-line;
- sunt sisteme multivariabile deoarece prelucreaz informaii de la mai multe intrri i pot
avea una sau mai multe ieiri; aceast proprietate permite folosirea reelelor neuronale n analiza
sistemelor multivariabile.
2.5 Calculul evolutiv

Calculul evolutiv are ca baz de inspiraie principiile evoluiei naturale (de tip darwinist).
Primele formulri privind evoluia organismelor vii aparin lui Charles Darwin Originea
speciilor. Cteva din caracteristicile de baz ale acestei teorii sunt:
- exist posibilitatea apariiei unor variaii n cadrul aceleiai specii i aceste variaii sunt
transmise urmailor;
- indivizii si speciile mai bine adaptate la mediu au anse mai mari de a supravieui
i de a evolua;
- evoluia reprezint o selecie natural a variaiilor motenite.
Tehnicile de calcul evolutiv reprezint o adaptare a paradigmelor statuate de teoria seleciei
naturale i a evoluiei speciilor.
Modelul natural este preluat ntr-o variant mult simplificat:
- tehnicile evoluioniste consider la fiecare generaie o populaie de structuri;
- n funcie de gradul de adaptare al acestora, structurile vor supravieui n generaiile
urmtoare i vor contribui la gsirea unor noi structuri, mai bine adaptate.
Calculul evolutiv este folosit n principal n rezolvarea problemelor bazate pe cutarea
soluiei ntr-un spaiu mare de soluii poteniale. Principalele noiuni care permit analogia dintre
rezolvarea problemelor de cutare i evoluia naturala sunt:
- Populaie. O populaie este constituit din indivizi care triesc ntr-un mediu la care
trebuie sa se adapteze.
- Fitness. Fiecare individ al populaiei este adaptat mai mult sau mai puin mediului.
Fitness-ul (adecvarea) este o msura a gradului de adaptare la mediu. Scopul evoluiei este ca toi
indivizii sa ajung la o adecvare ct mai bun la mediu.
- Cromozom. Este o mulime ordonat de elemente, numite gene, ale cror valori
determin, caracteristicile unui individ. n genetic, poziiile pe care se afl genele n cadrul
28
cromozomului se numesc loci, iar valorile pe care le pot lua se numesc alele.
- Generaie. Etapa n evoluia unei populaii. Daca vedem evoluia ca un proces iterativ
n care o populaie se transform n alt populaie, atunci generaia este o iteraie n cadrul
acestui proces.
- Selecie. Procesul de selecie natural are ca efect supravieuirea indivizilor cu grad
ridicat de adecvare la mediu (fitness mare).
- Reproducere. Este procesul prin care se trece de la o generaie la alta. Indivizii noii
generaii motenesc caracteristici de la precursorii lor (prini), dar pot dobndi i
caracteristici noi, ca urmare a unor procese de mutaie care au un caracter ntmpltor. n
cazul n care n procesul de reproducere intervin cel puin doi prini caracteristicile motenite
ale urmaului (fiului) se obin prin combinarea (ncruciarea) caracteristicilor prinilor.
2.5.1 Tehnicile evolutive direcii ale calculului evolutiv
Pentru gsirea soluiei se utilizeaz o populaie de cuttori. Aceast populaie este
supus unui proces de evoluie caracterizat prin: selecie, ncruciare, mutaie. Pentru unele
probleme, rezolvarea const n gsirea unei configuraii (element al spaiului soluiilor posibile)
care satisface anumite condiii (respect restricii specifice problemei i/sau optimizeaz un
criteriu). n aceast categorie intr clasica problem a comis-voiajorului (configuraia cutat
fiind un circuit n graful asociat problemei, care satisface restricia de a trece o singur dat prin
fiecare nod i minimizeaz costul traseului) precum i alte probleme de optimizare
combinatorial.
O metod general de rezolvare a acestor probleme este o strategie de cutare n spaiul
configuraiilor posibile. Cutarea se poate realiza folosind un singur explorator (ca in strategiile
de tip gradient sau n cele de tip "simulated annealing") sau o populaie de exploratori (n cazul
algoritmilor evolutivi).
n oricare dintre situaii, o cutare eficient presupune asigurarea unui echilibru ntre
urmtoarele procese:
- Explorarea spaiului de cutare. Permite descoperirea de noi configuraii sau de ci care
conduc la configuraii mai bune. Este asigurat atunci cnd nu se impun condiii prea
restrictive la construirea unei noi configuraii. Explorarea creeaz premizele unei cutri cu
un caracter global.
- Exploatarea informaiei despre problema dobndit pn la momentul curent al cutrii.
Este asigurat atunci cnd n stabilirea unei noi configuraii se utilizeaz informaiile colectate pe
parcursul procesului de cutare. Exploatarea pune accentul pe cutarea local.
Algoritmii de tip gradient se caracterizeaz printr-o bun exploatare, dar printr-o
slab putere de explorare, n timp ce algoritmii de cutare pur aleatoare (care nu sunt
29
neaprat metode de descretere) asigur, dimpotriv, o bun explorare a spaiului
configuraiilor, ns nu exploateaz deloc informaia colectat pe parcursul cutrii.
n funcie de modul n care este construit populaia i de modul n care este
implementat evoluia, sistemele de calcul evolutiv se ncadreaz n una dintre urmtoarele
categorii:
- Algoritmi genetici se folosesc n special pentru rezolvarea unor probleme de
optimizare discret. Populaia este reprezentat de stri din spaiul problemei codificate
binar (un element al populaiei este un ir de bii), iar principalii operatori sunt cei de
ncruciare i selecie.
- Programare genetic se folosesc pentru dezvoltarea unor modele de calcul
(programe simple). Populaia este reprezentat de programe care candideaz la rezolvarea
problemei. Acestea sunt descrise mai degrab ca arbori de derivare a cuvntului pe care l
reprezint n cadrul limbajului n care este scris i nu ca linii de cod; de exemplu,
"programul-expresie" "a+b*c" este (+ a (* b c)). O astfel de structur este descris uor
n Lisp, astfel c n elaborarea sistemelor bazate pe GP se folosete adeseori Lisp-ul.
ncruciarea este realizat selectnd aleator subarbori din arborele asociat programelor
printe i interschimbndu-le. Ca i n cazul algoritmilor genetici mutaia are pondere mic.
- Strategii evolutive au fost concepute iniial pentru a rezolva probleme de
optimizare n tehnic, fiind destinate rezolvrii problemelor de optimizare continu. Populaia
este constituit din elemente din domeniul de definiie al funciei obiectiv. Operatorul principal
este cel de mutaie, dar i recombinarea este folosit. Pentru strategiile evolutive au fost
dezvoltate scheme de adaptare a parametrilor de control (auto-adaptare).
- Programare evolutiv se folosesc att pentru optimizarea ct i pentru dezvoltarea
unor structuri de calcul (automate). Operatorul principal este cel de mutaie, constnd n
perturbarea diagramei de tranziie a strilor. Aceasta direcie a fost iniiat de ctre Fogel.
Ulterior, tehnicile de programare evolutiv s-au orientat mai mult spre rezolvarea problemelor
de optimizare, folosind ca instrument de explorare a spaiului soluiilor poteniale doar un
operator de mutaie (fr a folosi recombinare).
Toate aceste metode se bazeaz pe faptul c simuleaz evoluia unei mulimi (populaie) de
structuri informaionale (configuraii sau indivizi) sub aciunea unor procese similare celor
din evoluia natural i anume: selecie, mutaie i reproducere.
30
2.5.2 Structura unui algoritm evolutiv i etapele proiectrii sale
Iniial, direciile anterioare au evoluat separat fr a se influena reciproc. ns, n
ultimii ani, s-a realizat un transfer de idei ntre diversele variante de sisteme evolutive, astfel
nct la ora actual distincia dintre ele nu mai este att de net. Astfel, prin algoritm evolutiv
se va nelege orice algoritm n care intervin prelucrri specifice oricreia dintre categoriilor
de mai sus.
n fiecare dintre variantele enumerate, evoluia este controlat prin intermediul unei
funcii de performan ("fitness") care msoar gradul de adecvare a fiecrui individ la mediul
din care face parte. Un individ este cu att mai adecvat cu ct se apropie mai mult de soluia
problemei.De exemplu, n cazul rezolvrii unei probleme de optimizare funcia "fitness" este
determinat de funcia obiectiv a problemei.
Cu ct gradul de adecvare a unui element este mai mare, cu att ansele ca el s fie selectat
pentru a participa la constituirea noii generaii, deci de a supravieui direct sau prin urmai, este
mai mare.
Un algoritm genetic efectueaz o cutare multi-dimensional prin utilizarea unei populaii
de soluii candidat (cromozomi) care evolueaz de-a lungul unui numr de generaii n care
efectueaz schimb de informaii. La iteraia t fiecare individ din populaia curent P(t) este
evaluat. Apoi o nou populaie P(t+1) este format prin selectarea celor mai buni indivizi. Civa
membri din noua populaie sunt supui recombinrii prin intermediul mutaiei i ncrucirii
pentru a forma noi soluii.
Acest proces este ilustrat de urmtorul pseudo-cod:
INIIALIZARE.
ITERARE
begin t:=0
genereaz P(t)
evalueaz P(t)
while (not COND_OPRIRE) do begin
t:=t+1
selecteaz P(t) din P(t-1)
recombin P(t)
evalueaz P(t)
end
Etapele generice ale proiectrii unui algoritm evolutiv sunt:

1. Stabilirea modului de codificare a elementelor populaiei.
n marea majoritate a cazurilor codificarea este cea binar. Un individ din populaie
reprezint un ir de caractere permis de alfabetul utilizat; astfel n cazul codrii binare, alfabetul este
31
{0,1}. Codificarea asigur proiecia din spaiul de cutare S intr-un alt spaiu, S*, n care vor
aciona operatorii genetici.
Lanul (irul) de caractere prin care este codificat un individ se numete cromozom. O poziie (un
caracter) din lan se numete gen sau locus. Valorile permise pentru fiecare gen sunt referite
prin alele (de exemplu, pentru alfabetul binar alelele sunt 0 si 1).
Genotipul precizeaz structura lanului cromozomial i valorile tuturor genelor componente (o
caracteristica a individului in spaiul S*).
Fenotipul caracterizeaz comportamentul pe care 1 are individul pe baza genotipului su.
Fenotipul ofer cromozomului o semnificaie in spaiul S, decodificnd informaiile incluse n
genotip.
Pentru problema de minimizare
x
Spatiul
fenotip
min
x S
f ( x )
= sir de gene
cromozom
Spatiul
genotip
(2.54)
2. Stabilirea modului de evaluare a elementelor populaiei.

Capacitatea de adaptare a individului la mediul n care triete este msurat prin surplusul
de eficien al individului n comparaie cu ceilali indivizi din populaie.
Calitatea unui individ este n general msurat:
absolut prin valoarea funciei obiectiv - precizeaz aadar ct de bine rspunde individul
scopului problemei.
relativ la ceilali indivizi din populaie prin valoarea funciei obiectiv relativ
(fitness). Se include o comparaie a performanelor individului cu performanele indivizilor
ntre care se dezvolt i ajut la stabilirea indivizilor ce devin prini i la alegerea indivizilor
care supravieuiesc n generaia urmtoare.
n general, un individ mai bun dect media trebuie ncurajat s supravieuiasc i s
produc urmai pentru c materialul genetic pe care-1 conine este de o mai bun calitate dect al
celorlali indivizi din populaie.
Eventuale probleme care pot apare:
- ncurajnd n mod excesiv indivizii ,,superiori s supravieuiasc, se direcioneaz
procesul de cutare spre zone restrnse din spaiul S*, situate n vecintatea indivizilor mai buni.
Viteza de convergen a algoritmului va fi foarte bun, dar rezultatul poate reprezenta doar un
optim local, nu global.
- se poate ntmpla ca n populaie s existe indivizi cu performane actuale slabe.
Opernd puine modificri n structura lor genetic, este posibil ca indivizii rezultai s fie mai buni
dect actualii lideri din populaie.
32
Pentru a evita blocarea algoritmului ntr-un optim local trebuie pstrat un bun echilibru
ntre viteza de convergen a algoritmului i meninerea unui grad de diversitate adecvat n
populaie. La acest echilibru contribuie n mod esenial procesul de selecie a prinilor i apoi
de inserie a copiilor.
3. Alegerea operatorilor evolutivi i a parametrilor asociai.
Operatorii evolutivi sunt cei prin intermediul crora se face combinarea informaiilor
provenite de la doi sau mai muli prini, pentru generarea unuia sau mai multor urmai.
- Operatorul ncruciare (,,crossover) este un operator binar.
Doi prini vor da natere la doi copii, interschimbnd poriuni din lanurile cromozomiale.
Ruperea lanurilor de cromozomi poate avea loc ntr-un singur punct sau n mai multe puncte, prin
operatorul ncruciare multipunct.
Fig. 2.13 ncruciare cu un singur punct de rupere
Fig. 2.14 ncruciare cu dou puncte de rupere

- Operatorul mutaie este un operator unar. Se vor modifica valorile corespunztoare
unor gene aleator selectate din structura unui cromozom. De exemplu, la codificarea binar
mutaia schimb o gen cu valoarea 0 in alela sa 1 si o gena cu valoarea 1 in alela sa 0 .
...............
1 1 ............... 0 1 0 .............11
33
Fig. 2.15 Mutaia pentru un cromozom n codificare binar

Operatorii genetici acioneaz dup reguli stochastice, n corelaie cu probabilitatea de
apariie care le-a fost atribuit:
- nu toi indivizii selectai pentru mulimea de reproducere (bazinul de reproducere) sunt
afectai de ncruciare (unii vor genera copii, alii nu).
- alegerea punctelor de rupere ale lanurilor cromozomiale i selecia genelor care vor
suferi operaia de mutaie nu sunt procese deterministe.
2.5.3 Aplicaiile sistemelor evolutive
La fel ca i reelele neuronale, sistemele evolutive pot calcula orice funcie calculabil. Se
utilizeaz atunci cnd nu exist alt strategie de rezolvare a problemei i problema aparine
clasei celor NP-complete. (NP reprezint clasa problemelor care pot fi rezolvate de algoritmi
nedeterminiti, n timp polinomial)
Principalele aplicaii ale calculului evolutiv sunt:
- Optimizare neliniar multidimensional (funcii obiectiv cu multe puncte de optim,
pentru care nu trebuie impuse ipoteze de netezime).
- Probleme de optimizare combinatorial NP-complete (problema comis voiajorului, problema colorrii grafurilor, problema alocrii resurselor etc.) cu aplicaii n tehnic
(de exemplu proiectarea automata a circuitelor electronice).
- Probleme de cutare n volume mari de informaii (n ingineria genetic se pune
problema gsirii unei proteine cu proprieti specifice n cadrul unui lan de aminoacizi).
- Probleme de predicie (de exemplu predicia evoluiei unui activ financiar sau a
cursului valutar).
- Probleme de planificare a activitilor (generarea automat a orarelor sau planificarea
sarcinilor ce vor fi desfurate de ctre un dispozitiv industrial).
- Programare automat (generarea unor programe care s rezolve sarcini specifice i
generarea unor structuri computaionale cum sunt automatele celulare i reelele de
sortare).
- Prelucrarea imaginilor (proiectarea filtrelor pentru i analiza imaginilor).
- Utilizarea n cadrul reelelor neuronale la antrenarea acestora.
- Modelarea unor sisteme sau procese din biologie i ecologie (modelarea sistemului
imunitar i a fenomenelor ecologice de tipul: simbioz i coevoluie n sisteme de tip
gazd-parazit, migraii etc.).
- Modelarea unor sisteme sociale i extrapolarea rezultatelor la sisteme multiagent
34
(comportamentul social al unor colonii de insecte, probleme de cooperare i comunicare).
- Simularea unor activiti creative (generare de imagini, muzica etc.)
Avantajul deosebit al algoritmilor genetici este dat de faptul c solicit doar valorile
funciei obiectiv. Ei se ncadreaz n categoria metodelor slabe de cutare / optimizare, adic a
acelor metode care solicit puine cunotine despre problema de rezolvat. Cunotinele
suplimentare, dac exist, pot fi integrate n algoritm, mbuntindu-i astfel viteza de
convergen. Algoritmii genetici se pot aplica si pentru optimizarea unor funcii care nu sunt
derivabile. Nici mcar condiia de continuitate a funciei obiectiv nu este solicitat.
Alte avantaj ale algoritmilor genetici sunt:
- algoritmii genetici sunt robuti, graie numrului mare de puncte pe care le consider
la fiecare etap.
- algoritmii genetici sunt metode eficiente de optimizare; rezultate convenabile au
fost raportate pentru optimizri genetice complexe: optimizri neliniare multimodale,
multiobiectiv, optimizri cu restricii neliniare, pentru spaii largi de cutare i numr mare de
variabile de decizie; soluia oferit este acceptabil de apropiat de cea de optim global.
- algoritmii genetici sunt uor de implementat; au un grad mare de universalitate i
sunt uor de reconfigurat, dac formularea problemei se modific; complicaii n aceast
direcie pot aprea atunci cnd algoritmul de baz este modificat, innd cont de
cunotinele suplimentare disponibile.
2.6 Tehnici hibride Soft-computing

Termenul Soft-computing a fost introdus de Lotfi Zadeh, cu scopul de a exploata tolerana
la imprecizie, incertitudine i adevr parial pentru a dobndi flexibilitate, robustee, costuri
sczute ale soluiilor i o legtur mai bun cu realitatea. Aceast caracteristic l face s difere
fundamental de computing-ul convenional (hard), caracterizat tocmai de lipsa impreciziei i a
adevrurilor pariale. inta final ar fi de fapt egalarea i chiar depirea performanelor minii
umane.
Soft computing-ul se caracterizeaz printr-un parteneriat al mai multor domenii, dintre care
cele mai importante sunt reelele neuronale, algoritmii genetici, logica fuzzy i raionamentele
probabilistice. Relaiile dintre aceste componente sunt prezentate n figura 2.16.
Avnd la baz modelul gndirii umane, soft computing-ul grupeaz aceste domenii, aflate
nu ntr-o relaie de tip concurenial, ci una de complementaritate, n care, fiecare partener
contribuie cu avantajele i tehnicile proprii la soluionarea unor probleme imposibil de rezolvat
n alt mod.
35
Astfel, reelele neuronale au capacitatea de a nva i de a se adapta, logica fuzzy ofer
posibilitatea aproximrii, n timp ce algoritmii genetici pot realiza o cutare sistematizat a
soluiei optime.
Situat ntre sistemele de inteligen artificial i computing-ul convenional, soft
computing-ul reprezint problema de rezolvat de o aa manier nct starea curent a sistemului
poate fi msurat i comparat cu starea ce se dorete a fi obinut. Starea sistemului st la baza
adaptrii parametrilor, care ncetul cu ncetul converg ctre soluia optim.
Soft-computing
Cutare
euristic
Raionament
aproximativ
Modele
probabilistice
Logica
fuzzy
Reele
neuronale
Algoritmi
genetici
Fig. 2.16 Domeniul Soft Computing
2.6.1 Sisteme hibride neuro-fuzzy

Fiecare tehnic inteligent are unele proprieti computaionale tipice (de exemplu,
capacitatea de a nva, explicarea deciziilor) care i confer aplicabilitatea pentru anumite
probleme i prezint dezavantaje n rezolvarea altora. De exemplu, reelele neuronale au
avantajul recunoaterii modelelor, ns nu pot explica satisfctor modul n care au ajuns la o
concluzie. Dimpotriv, sistemele fuzzy pot raiona cu informaii imprecise i i pot explica
raionamentul, dar nu pot achiziiona automat regulile pe care le utilizeaz pentru luarea
deciziilor. Aceste limitri au fost principalul motiv pentru care s-a ncercat crearea de sisteme
inteligente hibride, n care dou sau mai multe tehnici pot fi combinate pentru a depi
dezavantajele tehnicilor individuale.
Modelarea cu reguli fuzzy, de tip dac-atunci, este n general potrivit pentru modelarea
calitativ. Totui, n multe situaii, datorit incompletitudinii cunoaterii, inerente unor situaii
reale, aceast abordare se dovedete insuficient. De aceea se face apel la unele metode
conexioniste, cum ar fi reelele neuronale. Sistemele neuro-fuzzy sunt astfel capabile s nvee
36
din exemple, s generalizeze pe baza cunotinelor acumulate i, pe baza datelor primite, s
sintetizeze cunotine n forma regulilor fuzzy.
n ultimii ani, sistemele neuronale hibride au suscitat un deosebit interes. Aceast abordare
s-a dovedit ncununat de succes n diferite domenii, precum diagnoza echipamentelor
industriale, robotica, sau controlul proceselor dinamice. Motivul principal al studierii sistemelor
neuronale hibride este crearea de sisteme de reprezentare subsimbolic, n special a reelelor
neuro-fuzzy. Din punctul de vedere al tiinelor cognitive, reprezentarea neuronal ofer
avantajul omogenitii, al capacitii de nvare prin exemple i a generalizrii, precum i
efectuarea de sarcini distribuite, n medii cu date incomplete sau afectate de zgomote. Din
punctul de vedere al sistemelor bazate pe cunotine, reprezentrile simbolice au avantajul
interpretrii umane, al controlului explicit i al abstractizrii cunoaterii.
n inteligena artificial, procedeul tradiional este prelucrarea simbolic. n modelele
conexioniste ns, accentul cade pe posibilitile de nvare. Combinarea celor dou abordri
este subiectul de cercetare n sistemele hibride, cum ar fi sistemele neuro-fuzzy. Modelele
conexioniste sunt instrumente puternice de prelucrare a cunotinelor, eficiente mai ales n
situaii n care percepia i reacia sunt fundamentale i unde regulile explicite nu pot fi aplicate
n mod natural sau direct. Totui, nvarea prin exemple nu este o soluie general, n multe
situaii entitile inteligente se bazeaz pe reguli formulate anterior de experi.
Cele dou abordri pot fi utilizate n mod complementar. Aceasta este premiza crerii de
sisteme hibride inteligente, care combin trsturi conexioniste (neuronale) i simbolice (fuzzy).
n astfel de sisteme, mai nti se introduc informaii simbolice n reeaua neuronal, apoi se
folosesc exemplele de instruire pentru rafinarea cunotinelor iniiale. n final, se proceseaz
rezultatul pentru un set de intrri i, prin metode specifice, se extrag informaii simbolice din
reeaua antrenat.
Din momentul n care sistemele fuzzy au fost puse n practic n aplicaiile industriale,
proiectanii i-au dat seama de dificultile care surveneau n mod inerent. Problema gsirii
funciilor membre potrivite este de multe ori o chestiune de generare de valori i ndeprtarea
celor eronate. Aceste soluii sunt greu de gsit, mai ales ntr-un proces industrial dinamic. De
aceea s-a ivit ideea aplicrii algoritmilor de nvare a sistemelor fuzzy, ceea ce a determinat
apariia controlerelor fuzzy adaptabile sau cu auto-organizare.
Sarcinile de lucru complexe pot da natere la minime locale, de aceea paradigma nvrii
prin exemple se poate folosi mai mult pentru probleme simple. O rezolvare este mprirea
problemei n subprobleme, rezolvate de diferite module neuro-fuzzy. n timp ce logica fuzzy
asigur mecanismele de inferen n cazul incertitudinii cognitive, reelele neuronale ofer
avantajele nvrii, adaptabilitii, toleranei la defecte, paralelismului i generalizrii.
Sistemele neuro-fuzzy moderne au caracteristici care le fac adecvate controlului unor
procese industriale: sunt sisteme fuzzy instruite printr-un algoritm de nvare euristic, derivate
37
n general din reele neuronale, pot fi reprezentate printr-o arhitectur de reea neuronal feedforward multistrat i pot fi interpretate n termeni de reguli dac-atunci. Totui, ntr-un sistem
real, pot exista zeci de semnale de intrare. Un numr excesiv de intrri poate deteriora
transparena modelului considerat i crete complexitatea calculelor. De aceea, este necesar
selectarea intrrilor relevante i considerarea de prioriti.
Din punct de vedere teoretic, sistemele fuzzy i reelele neuronale sunt echivalente,
deoarece sunt inter-convertibile. S-a demonstrat [Hayashi Y.,1994] c:
- orice sistem fuzzy bazat pe reguli poate fi aproximat de o reea neuronal;
- orice reea neuronal (feed-forward multistrat) poate fi aproximat de un sistem fuzzy
bazat pe reguli.
n practic ns, fiecare are avantajele i dezavantajele sale acestea fiind sintetizate n
tabelul (2.1):
Tabelul 2.1. Comparaie ntre sistemele fuzzy i reelele neuronale
Sisteme neuronale
Sisteme fuzzy
avantaje
ncorporeaz cunotine predefinite bazate Pot nva fr nici o informaie iniial
pe reguli
Exist mai multe paradigme de nvare,
potrivite diverselor situaii
Sunt interpretabile (reguli dac-atunci)
Exist
o multitudine de algoritmi de
Ofer o implementare simpl
nvare disponibili n literatura de
Cunotinele sunt disponibile n orice
specialitate
moment
dezavantaje
Nu pot nva
Sunt cutii negre sub-simbolice
Trebuie s dispun de reguli stabilite Necesit algoritmi de nvare complecsi
apriori
Nu exist garania c nvarea converge
spre soluie
Nu exist metode formale pentru ajustarea
regulilor
Prezint
dificulti
n
extragerea
cunotinelor structurale
Sistemele fuzzy prezint, n principal, avantajul explicrii comportamentului pe baza unor
reguli i deci performanele lor pot fi ajustate prin modificarea acestora. Totui, achiziionarea
cunotinelor este dificil, iar universul de discurs al fiecrei variabile de intrare trebuie divizat n
mai multe intervale i de aceea, aplicaiile sistemelor fuzzy sunt restrnse la domeniile n care
sunt disponibile cunotinele experilor iar numrul variabilelor de intrare este relativ mic.
Pentru reelele neuronale, cunotinele sunt achiziionate automat printr-un algoritm (de
exemplu, back-propagation), dar procesul de nvare este relativ lent, iar analiza reelei
antrenate este dificil (o reea neuronal este deseori considerat o cutie neagr, n care avem
38
acces numai la intrri i la ieiri, fr a ti precis ce se ntmpl n interior). Nu este posibil nici
extragerea cunotinelor structurale (reguli) din reeaua antrenat, nici integrarea de informaii
speciale despre problem, pentru a simplifica procedura de nvare. Utilizarea sistemelor hibride
neuro-fuzzy minimizeaz dezavantajele i maximizeaz avantajele celor dou tehnici. Reelele
neuronale sunt folosite pentru adaptarea funciilor de apartenen ale sistemelor fuzzy n
aplicaiile de control automat al proceselor dinamice. Dei logica fuzzy permite codarea
cunotinelor de tip expert prin termeni lingvistici, de obicei proiectarea i reglarea funciilor de
apartenen care definesc cantitativ aceti termeni este un demers greoi. Tehnicile de nvare ale
reelelor neuronale pot automatiza procesul i deci pot reduce substanial costul i timpul de
dezvoltare a aplicaiilor, conducnd i la creterea performanelor. Pentru a depi problema
achiziiei cunotinelor, reelele neuronale pot fi proiectate s extrag automat reguli fuzzy din
date numerice. Alte abordri presupun folosirea reelelor neuronale pentru optimizarea unor
anumii parametri ai sistemelor fuzzy sau pentru preprocesarea datelor de intrare n sistemele
fuzzy.
n funcie de modul de combinare a modulului simbolic fuzzy cu modulul conexionist
subsimbolic, exist mai multe tipuri de hibridizri, care vor fi detaliate n continuare.
2.6.1.1 Reele neuronale fuzzy
O reea neuronal fuzzy (fuzzy neural network., FNN) reprezint o reea neuronal care
dispune de capacitatea de a prelucra informaii fuzzy. ntr-o astfel de reea, semnalele de intrare
i/sau ponderile conexiunilor i/sau ieirile sunt submulimi fuzzy sau mulimi de valori de
apartenen la mulimi fuzzy. De obicei, se utilizeaz ca modele termeni lingvistici precum
mic, mediu, mare, numere sau intervale fuzzy.
Structura acestui tip de sistem este prezentat n figura 2.17:
Intrare
strict
Ieire
strict
fuzzificare
Reguli fuzzy
defuzzificare
Fig. 2.17 Reea neuronal fuzzy

Se observ c modulele conexioniste implementeaz aici funciile unui sistem fuzzy. O
reea efectueaz fuzzificarea datelor stricte de intrare, regulile fuzzy sunt realizate pe baza unei
39
alte reele, iar operaia de defuzzificare este ndeplinit de o a treia reea, pentru a furniza datele
stricte de ieire.
Reelele neuronale cu neuroni fuzzy intr de asemenea n aceast categorie deoarece sunt
capabile s prelucreze informaii fuzzy.
Aceste tipuri de reele sunt utile n aplicaii de regresie fuzzy (descoperirea de relaii
funcionale ntre date fuzzy), control, rezolvarea ecuaiilor matriceale fuzzy (folosite n
economie) sau clasificare fuzzy.
2.6.1.2 Perceptronul fuzzy
n literatura de specialitate exist o multitudine de abordri cu privire la implementarea
unei reele neuronale fuzzy, chiar ntr-o form foarte simpl, cea a perceptronului multistrat.
Nauck [Nauck D.&al., 1995] a ncercat o sistematizare a acestor propuneri, rezultnd o
arhitectur generic de perceptron fuzzy, pe care apoi a utilizat-o n sistemul NEFCON (NEural
Fuzzy CONtrol). Ideea central este identificarea unui model care poate fi iniializat pe baza unor
cunotine apriorice i care poate fi antrenat cu metode specifice reelelor neuronale.
Perceptronul fuzzy are arhitectura unui perceptron multistrat obinuit, ns ponderile sunt
modelate sub forma unor mulimi fuzzy. Funciile de activare, ieire i propagare sunt modificate
n consecin. Astfel, perceptronul fuzzy cu 3 straturi este definit ca o reea neuronal feedforward cu 3 straturi (U, W, NET, A, O, ex) cu urmtoarele specificaii:
-
U=
UU
i{1, 2 ,3}
este o mulime nevid de uniti. U i , i, j {1, 2, 3} i U i I U j =
pentru i j. U1 se numete strat de intrare, U2 strat de reguli ascuns, iar U3 strat de

ieire.
-
Structura reelei este definit ca W : U U () , astfel nct exist numai conexiuni

W(u, v), cu u Ui i v Ui+1. (i {1,2}). () este mulimea tuturor submulimilor
fuzzy din
A definete o funcie de activare Au pentru fiecare u U:

pentru unitile de intrare i ascunse u U1 U2 , Au: , au = Au(netu)
pentru unitile de ieire: u U3, Au: ()(), au = Au(netu)
O definete o funcie de activare Ou pentru fiecare u U:

pentru unitile de intrare i ascunse u U1 U2 , Ou: , ou = Ou(au)
40
pentru unitile de ieire: u U3, Ou: ()(), ou = Ou(au)=DEFFUZu(au),
unde DEFFUZu este o funcie potrivit de defuzzificare;
- NET definete o funcie de propagare NETu pentru fiecare u U, care calculeaz net
imput-ul netu:
pentru unitile de intrare u U1 , NETu : , netu = exu
NETu : ( x ())U1 [0,1],
pentru unitile ascunse u U2,
net u = T (W(u' , u), o u' ) , unde T este o t-norm
u 'U 1
pentru unitile de ieire u U3,

NETu : ([0,1]x())U2 (),
net u ( x ) = S (o u' , W(u' , u), x) , unde S este o t-conorm
u 'U 2
ex: U1 definete pentru fiecare unitate de intrare u U1 ieirea extern ex(u)=exu.
Scopul perceptronului fuzzy nu este fuzzificarea integral a unei reele neuronale de tip
perceptron i nici modelarea unui sistem de inferen bazat pe logica fuzzy. Se observ c numai
ponderile, net input-urile i funciile de activare ale unitilor de ieire sunt reprezentate ca
mulimi fuzzy. Perceptronul fuzzy prezentat mai sus este asemntor cu perceptronul clasic,
utilizat pentru aproximri de funcii. Avantajul su este posibilitatea de a asocia termini
lingvistici cu ponderile sale fuzzy i astfel, reeaua poate fi creat parial sau integral pe baza
unor reguli fuzzy de tip dac-atunci.
Gsirea unui algoritm de antrenare (supervizat) pentru perceptronul fuzzy este mai dificil
dect n cazul perceptronului clasic neuronal deoarece funciile de activare ale unitilor sunt
definite sub forma unor t-norme i t-conorme care n general nu sunt difereniabile i deci
metoda gradientului descendent nu poate fi utilizat.
Nauck propune urmtorul algoritm de retro-propagare fuzzy a erorii (fuzzy backpropagation). Presupunem c ponderile antecedente (dintre stratul de intrare i cel ascuns)
i, j = W(u i , u j ), u i U 1 , u j U 2 i ponderile concluzive (dintre stratul ascuns i cel de ieire)
v j,k = W(u j , u k ), u j U 2 , u k U 3 sunt modelate sub forma unor numere fuzzy triunghiulare.
(p)
(p)
n
m
Setul de antrenare conine modele de forma p = (i , t ) [0,1] [0,1] , unde i
desemneaz intrrile n reeaua neuronal fuzzy iar t - ieirile dorite.

Se iniializeaz eroarea E = 0.
- Pasul 1: Se alege un model p din setul de antrenare care nu a mai fost ales n cadrul
epocii curente de antrenare. Se propag vectorul de intrare i (p) ;
- Pasul 2: Se calculeaz diferenele u pentru toate unitile u U2 U3:
41
sgn( tu( p ) ou( p ) ) Eu( p ) , u U 3
u = a( p) ( p) , u U
u
v
2
u
U 3
(2.55)
unde eroarea fuzzy
E (p)
u
= 1 e

max
u
(p
(p)
ou
tu
(p )
) min
(o u
u
(p )
)
(o u
(2.56)
fiind un factor de scalare.

Tot la acest pas se actualizeaz i valoarea
E =
E
p
u U
( p)
u
- Pasul 3: Se determin parametrii care vor fi ajustai pentru ponderile fuzzy. S

presupunem c ponderile antecedente sunt definite de funcii de apartenen cu centrul c, limita
la stnga l = c i limita la dreapta r= c + . Dac aceti parametri pot fi modificai cu rate de
nvare diferite: i, c, r pentru vj,k i cu i, c, r pentru i,j , atunci:
( p ) l j ,k = i u k ( c j ,k l j ,k )
( p ) c j ,k = c u k ( r j ,k l j ,k )
( p ) r j ,k = r u k ( r j ,k c j ,k )
( p ) l i , j = l u j ( c j , k l i , j )
(2.57)
( p ) c i , j = c u j ( a ui c i , j )
( p ) ri , j = r u j ( ri , j c i , j )
-
Pasul 4: Dac E>EMAX, E = 0 i se ncepe o nou epoc de antrenare la Pasul 1.
Ideea care st la baza algoritmului este reglarea parametrilor care definesc mulimile fuzzy
corespunztoare ponderilor. n unele cazuri, suportul unei mulimi trebuie deplasat la dreapta sau
la stnga pentru ca centrul s aproximeze mai bine o anumit valoare, n altele suportul trebuie
mrit pentru a include ct mai multe valori.
42
Ratele de nvare diferite permit schimbri de mrimi diferite ale parametrilor. De
exemplu, acestea pot fi utilizate dac se doresc numai deplasri mici ale suportului unei mulimi
fa de poziia sa iniial, iar nvarea trebuie s se fac n principal prin lrgirea sau strmtarea
suportului.
Aceast arhitectur poate fi folosit pentru aproximaii funcionale pe baza unor
eantioane de date, iar sistemul antrenat poate servi pentru probleme de clasificare, control, etc.
2.6.1.3 Sisteme fuzzy neuronale
Un sistem fuzzy neuronal (neural fuzzy system., NFS) este un sistem fuzzy prevzut cu o
reea neuronal pentru dezvoltarea unor caracteristici precum flexibilitate, vitez i
adaptabilitate.
Schema bloc funcional a unui astfel de sistem este prezentat n figura 2.18.
1
expert
5
sistem fuzzy
4
3
sistem real
reea neuronal
Fig. 2.18 Sistem fuzzy neuronal
Cunoaterea de tip expert este convertit mai nti ntr-o form simbolic (1) i apoi
utilizat pentru iniializarea reelei neuronale (2). n continuare, reeaua este antrenat pe baza
intrrilor i ieirilor unui sistem real (3). Cunotinele obinute din reeaua neuronal (4) sunt
prelucrate apoi ntr-o manier fuzzy pentru determinarea unor reguli de inferen fuzzy,
comunicate n final expertului (5).
Aceste sisteme sunt potrivite n special pentru achiziia de cunotine i nvare. Ele pot
realiza procesul de inferen fuzzy cu ajutorul ponderilor conexiunilor reelei care corespund
parametrilor raionamentului. Folosind algoritmi de nvare cum ar fi back-propagation, aceste
sisteme pot identifica reguli fuzzy, pentru ca apoi s nvee funciile de apartenen ale
inferenelor. Un sistem fuzzy neuronal ar trebui, teoretic, s poat nva i reguli lingvistice sau
s optimizeze regulile deja existente.
Exist aici trei posibiliti:
43
Sistemul nu dispune iniial de nici o regul. El trebui s creeze noi reguli pn cnd
problema de nvare este rezolvat. Crearea unei reguli noi este determinat de un model de
antrenare care nu este acoperit suficient de baza curent de reguli.
Sistemul pornete cu toate regulile care pot fi create prin partiionarea variabilelor. Pe
parcursul antrenrii, el elimin regulile inutile din baza de reguli prin evaluarea perfomanelor
acestora.
Sistemul are iniial un numr fix de reguli. n timpul nvrii, acestea sunt modificate sau
nlocuite printr-un proces de optimizare.
2.6.1.4 Sisteme neuro-fuzzy
Acestea sunt cele mai studiate sisteme hibride la ora actual. Sistemele hibride neurofuzzy sunt o combinaie de reele neuronale i logic fuzzy n care ambele tehnici joac un rol
cheie: logica fuzzy asigur structura n care poate fi exploatat capacitatea de nvare a reelelor
neuronale. Unii autori consider c un sistem neuro-fuzzy este definit de urmtoarele
caracteristici :
este un sistem fuzzy antrenat printr-un algoritm de nvare (euristic), derivat din
tehnicile specifice reelelor neuronale;
poate fi reprezentat printr-o arhitectur de reea neuronal feed-forward;
poate fi oricnd interpretat n termenii regulilor fuzzy dac-atunci;
procedura de antrenare ia n calcul semantica modelului fuzzy pentru a conserva
interpretabilitatea sa lingvistic;
poate realiza (cazuri speciale) de aproximare funcional.
n acest domeniu au fost propuse mai multe modaliti de combinare a celor dou tehnici.
n primul rnd, reelele neuronale pot fi utilizate pentru generarea i reglarea funciilor de
apartenen a sistemului fuzzy:
sistem fuzzy
reea neuronal
Figura 2.19 Reglarea neuronal a funciilor de apartenen a unui sistem fuzzy
44
Sistemele neuro-fuzzy pot avea arhitecturi de tip serie sau paralel. n figura 2.20 se
prezint un sistem neuro-fuzzy n care reeaua neuronal joac rolul de preprocesare.
sistem fuzzy
reea neuronal
Fig. 2.20 Arhitectur de sistem neuro-fuzzy de tip serie
Utilitatea acestui tip de sistem se evideniaz n situaiile n care intrarea n sistemul fuzzy
nu poate fi legat direct la o ieire a unui senzor. Apare deci necesitatea ca ieirea senzorului s
fie preprocesat de reeaua neuronal i apoi ieirea reelei s constituie intrarea pentru sistemul
fuzzy. Exist, de asemenea, i sisteme de postprocesare, atunci cnd ieirea sistemului fuzzy nu
poate fi conectat direct cu echipamente externe. n acest caz, reeaua neuronal se constituie
ntr-o interfa care realizeaz o mapare care ar fi mai greu realizabil prin tehnici analitice.
n figura urmtoare este schiat un sistem neuro-fuzzy cu o arhitectur de tip paralel, cu
scopul ajustrii ieirii:
reea neuronal
Valoare de
conectare
sistem fuzzy
Fig. 2.21 Arhitectur de sistem neuro-fuzzy de tip paralel
45
Reeaua neuronal regleaz ieirea sistemului fuzzy pe baza a ceea ce a nvat despre
preferinele personale ale utilizatorului din ajustrile anterioare pe care acesta le-a efectuat.
Sistemele neuro-fuzzy se bucur de apreciere n mai multe domenii. Un exemplu notabil este cel
al controlului automat, n special aplicaiile aeronautice i aerospaiale, n care pilotul automat
trebuie s simuleze capacitatea uman de a raiona n diverse situaii. Alt exemplu este cel al
recunoaterii trsturilor faciale. Trsturile sunt identificate i fuzzyficate pentru a le scdea
sensibilitatea fa de variaiile inerente care apar chiar n cazul aceleiai persoane. Aceste
caracteristici fuzzyficate sunt apoi introduse ntr-o reea neuronal care implementeaz procesul
propriu-zis de recunoatere.
2.6.1.5 Sisteme ANFIS (Adaptive-Network-Based Fuzzy Inference System)
Sistemele hibride neuro-fuzzy ANFIS (Adaptive-Network-based Fuzzy Inference Systems)
sunt reele neuronale adaptive echivalente funcional cu sisteme fuzzy de tip TakagiSugeno
[Takagi T., Sugeno M., 1985]. Spre deosebire de sistemele fuzzy, sistemele neuro-fuzzy ANFIS
au capacitatea de a se adapta pe parcursul unui proces de nvare. n felul acesta, aplicnd o
metod de optimizare, pot fi adaptate att funciile de apartenen ale mulimilor fuzzy ce apar n
partea de premiz a regulilor, ct i parametrii prilor de consecin ale regulilor fuzzy.
Funcia criteriu de minimizat poate fi de tipul erorii medii ptratice dintre ieirea actual
a sistemului neuro-fuzzy i ieirea dorit a acestuia. Pentru a explica structura unui sistem hibrid
neuro fuzzy de tip ANFIS se consider un sistem fuzzy de tip Takagi-Sugeno de ordinul unu, ce
are dou mrimi de intrare, x i y, i o mrime de ieire, z.
Baza de reguli a sistemului fuzzy se consider a fi format din dou reguli de forma:
regula1: dac x este A1 i y este B1 atunci z este f1 = p1 x + q1 y + r1
regula2: dac x este A2 i y este B2 atunci z este f 2 = p2 x + q2 y + r2
B
(2.58)
n figura 2.22 este ilustrat, intuitiv, modul n care se realizeaz raionamentul n cadrul unui
sistem fuzzy de tip Takagi-Sugeno de ordinul unu.
46
x
A1
B1
w1
x
x
A2
f1 = p1 x + q1 y + r1
B2
f 2 = p2 x + q2 y + r2
w2
x
w1f1 + w 2f 2
z=
w1 + w 2
= w1f1 + w 2f 2
Fig. 2.22 Raionament fuzzy Takagi-Sugeno

Figura 2.23 prezint structura sistemului neuro-fuzzy adaptiv ANFIS corespunztor
sistemului fuzzy de tip Takagi-Sugeno considerat.
Structura ANFIS echivalent sistemului fuzzy de tip Takagi- Sugeno de ordinul nti este
alctuit din cinci straturi (Jang, 1995). Se noteaz prin O1,i ieirea nodului i din stratul 1 al
structurii ANFIS.
A1
w1
w1
y
f1
w1 f1
A2
B1
y
w2
B2
Strat 1
w2
f2
x
Strat 2
Strat 3
w2 f2
Strat 4
Strat 5
Fig. 2.23 Structura ANFIS echivalent raionamentului fuzzy Takagi-Sugeno

47
Cele cinci straturi ale structurii ANFIS au urmtoarele funcii prezentate n continuare.
Stratul 1. Fiecare nod i al acestui strat are funcia de activare:
O1 ,i = Ai ( x )
i = 1, 2
O1 ,i = Bi 2 ( y )
(2.59)
i = 3, 4
unde x este mrimea de intrare n nodurile 1 i 2, iar y este mrimea de intrare n nodurile 3 i 4.
Altfel spus, funcia ataat fiecrui nod al primului strat este funcia de apartenen a uneia
din mulimile fuzzy A1, A2, B1 sau B2 (care apar n partea de premiz a regulilor). Funcia de
apartenen poate fi, de exemplu, funcia clopot generalizat. Parametrii acestui strat vor fi numii,
n cele de urmeaz, parametrii premizei.
Stratul 2. Fiecare nod al acestui strat este un nod fix, a crui ieire este dat de produsul
semnalelor sale de intrare:
O2 ,i = wi = Ai ( x ) Bi ( x )
i = 1, 2
(2.60)
Fiecare nod reprezint mrimea de activare a unei reguli. n general, se poate folosi pentru acest
strat, orice operator de tip norma-T ca fiind funcia de activare a unui nod.
Stratul 3. Fiecare nod al acestui strat este un nod fix la nivelul cruia se calculeaz raportul
dintre puterea de activare a regulii i i suma puterilor de activare ale tuturor regulilor:
O3 ,i = wi =
wi
w1 + w2
i = 1, 2
(2.61)
Ieirile acestui strat sunt numite mrimi de activare normalizate.

Stratul 4. Fiecare nod al acestui strat este adaptiv, avnd funcia de activare:
O4 ,i = wi f i = wi ( pi x + qi y + ri )
i = 1,2
(2.62)
unde wi este puterea de activare normalizat a regulii i, iar pi, qi , ri este mulimea parametrilor
acestui nod, numii n cele ce urmeaz parametrii consecinei.
48
Stratul 5. Acest strat este format dintr-un singur nod fix notat cu , care calculeaz ieirea
ANFIS ca fiind suma tuturor semnalelor sale de intrare:
2
z = O5 ,1 = wi f i =
i =1
wi fi
i =1
2
(2.63)
wi
i =1
nvarea ntr-un sistem ANFIS se bazeaz pe o schem hibrid. Mai nti, utilizatorul
decide numrul de reguli i modul lor de interaciune, construind astfel cunotinele integrate apriori despre structura soluiei. Funciile de apartenen trebuie iniializate astfel nct s mpart
ct mai egal universul de discurs i trebuie s aib suficiente suprapuneri.
n pasul nainte al antrenrii, se calculeaz ieirile neuronilor pn n stratul 4, iar
parametrii consecin (coeficienii funciei liniare) sunt calculai prin metoda celor mai mici
ptrate. n pasul napoi, semnalele de eroare sunt retro-propagate i se actualizeaz parametrii
antecedeni (ai funciilor de apartenen) prin metoda gradientului descendent.
Baza de reguli trebuie cunoscut apriori, deoarece structura ANFIS nu poate dect s
ajusteze funciile de apartenen ale parametrilor antecedeni i parametrilor consecin.
Algoritmul de nvare necesit mari resurse de calcul, iar modelarea are dificulti n privina
abordrii unor modele de mari dimensiuni, care implic un mare numr de partiii, reguli i
parametri consecin.
2.6.2 Sisteme hibride neuro-genetice
Multe studii au artat c reelele neuronale au capabilitatea de a nva mecanismele
ascunse ale seriilor temporale, sau, n cazul aplicaiilor comerciale, dinamica pieii. Totui, n
general, este dificil de proiectat reele neuronale performante, deoarece multe din principiile de
baz care guverneaz procesarea informaiei n reea sunt greu de neles, iar interaciunile
complexe ntre componentele reelei nu permit, n cele mai multe cazuri, aplicarea tehnicilor
inginereti de tip "divide-and-conquer".
Atunci cnd sunt impuse combinaii complexe ale criteriilor de performan (ca, de
exemplu, viteza de nvare, compactitatea, abilitatea de generali zare i rezistena la zgomot) i
pe msur ce aplicaiile reelei tind s creasc n dimensiuni i complexitate, abordarea uman inginereasc nu va funciona, fiind necesar o soluie mai eficient, automatizat.
Algoritmii genetici, pe de alt parte, rmn reminiesceni reproducerii, n care genele a doi
prini se combin pentru a le forma pe cele ale fiului lor. Cnd algoritmii genetici sunt aplicai
la rezolvarea problemelor, premiza de baz este aceea c se poate creea o populaie iniial de
indivizi reprezentnd posibile soluii la o problem care trebuie s fie rezolvat.
49
Fiecare dintre aceti indivizi va avea anumite caracteristici care-l fac mai mult sau mai
puin potrivit, ca membru al populaiei. Membrii mai potrivii vor avea o probabilitate mai mare
de a se putea reproduce dect membrii mai puin potrivii, pentru a produce descendeni care s
aib o ans semnificativ de a reine caracteristicile dorite ale prinilor lor.Aceast metod este
foarte eficient la gsirea soluiei optimale sau apropiate de optim la o varietate de probleme,
deoarece nu impune multe dintre limitrile care sunt cerute de metodele tradiionale.
Este o strategie elegant care genereaz, testeaz i poate identifica, exploata regularitile
din mediu i converge la soluiile care erau optimale din punct de vedere global, sau foarte
apropiate de optim.
Algoritmii genetici s-au aplicat din ce n ce mai mult la proiectarea reelelor neuronale, n
cteva moduri:
- optimizarea topologiei,
- algoritmi de antrenare genetici
- optimizarea parametrilor de control.
n optimizarea topologiei, algoritmul genetic este folosit pentru a selecta o topologie
(numr de straturi ascunse, numr de noduri ascunse, structura de interconectare) pentru reeaua
neuronal, care, la rndul ei, este antrenat folosind o schem de antrenare clasic, cel mai
adesea "back -propagation".
n cazul algoritmilor genetici de antrenare, cunoaterea reelei neuronale este formulat n
termenii problemei optimizrii ponderilor, de obicei folosindu-se inversul erorii ptratice medii
ca o msur de apropiere.
Majoritatea parametrilor de control, ca: rata de nvare, rata momentan, nivelul de
toleran, etc., pot fi, de asemenea, optimizai folosind un algoritm genetic.
n pus, algoritmii genetici au fost folosii n multe alte moduri inovative, de exemplu,
pentru crearea de noi indicatori pe baza celor existeni, la selectarea indicatorilor buni, la evoluia
sistemelor optimale, etc..
Una din problemele care apar n cazul reelelor neuronale este c acestea au o anume
tendin de a ajunge la soluii suboptimale. Tehnica mutaiei din algoritmul genetic, furnizeaz o
"scpare" din aceast convergen la o soluie suboptimal. Mutaia, ns, trebuie meninut la un
nivel minim, pentru a evita distrugerea cromozomilor "buni".
O metod de automatizare a procesului de proiectare a arhitecturii reelelor neuronale,
folosind algoritm genetic este descris n continuare. Aceast metod presupune utilizarea a dou
procese adaptive:
- cutarea genetic n fereastra datelor de intrare, n orizontul de predicie, n spaiul
arhitecturii reelei i n spaiul parametrilor de control pentru selecia celor mai buni performeri;
- nvarea prin algoritmul "backpropagation" n reele individuale, pentru evaluarea
arhitecturilor selectate.
50
Teoria seleciei naturale ofer cteva argumente convingtoare n sensul c indivizi cu
anumite caracteristici sunt mai capabili de supravieuire i transmit mai departe aceste
caracteristici descendenilor lor. Un algoritm genetic este o procedur general de cutare bazat
pe ideile geneticii i ale seleciei naturale, iar puterea sa const n faptul c, pe msur ce membri
ai populaiei se mperecheaz, ei produc descendeni care au o ans semnificativ s rein
caracteristicile dorite ale prinilor, probabil chiar s combine cele mai bune caracteristici ale
ambilor prini. In aceast manier, calitatea total a populaiei poate potenial s creasc de la
generaie la generaie, pe msur ce se descoper soluii mai bune ale problemei.
La optimizarea reelelor neuronale pentru problemele de predicie i clasificare, algoritmii
genetici pot fi folosii la cutarea combinaiilor corecte de date de intrare, a orizontului de
predicie cel mai potrivit, a structurilor i ponderilor de interconectare optimale sau aproape
optimale ntre neuroni, i a parametrilor de control (rata de nvare, rata momentan, nivelul de
toleran, etc. ) optimi, pe baza datelor de antrenare folosite i a criteriilor predefinite.
Ca i reelele neuronale, algoritmii genetici nu garanteaz ntotdeauna o soluie perfect,
dar, n multe cazuri, pot ajunge la soluii acceptabile fr timpul i costul unei cutri exhaustive.
2.6.3 Sisteme hibride genetic-fuzzy

Ingrediente cheie n realizarea unui sistem inteligent sunt structurile de reprezentare a
cunoaterii i metodele folosite pentru adaptarea acestor structuri la scopul urmrit. Tehnicile
hibride aparinnd acestui domeniu exploateaz capabilitile de reprezentare a cunoaterii ale
sistemelor fuzzy i capabilitile adaptive ale algoritmilor genetici.
n continuare vor fi prezentate mai multe tehnici a cror esen este variaia multiobiectiv a
algoritmilor genetici. Mai nti se va arta cum algoritmii genetici multiobiectiv pot fi folosii n
proiectarea sistemelor fuzzy i apoi vor fi propuse tehnici de mbuntire a metodelor bazate pe
algoritmi genetici prin folosirea sistemelor fuzzy. Tehnicile genetic-fuzzy propuse permit
identificri structurale i parametrice simultane i optimizri multiobiectiv bazate pe algoritmi
genetici.
Optimizarea multiobiectiv are aplicaii n viaa real deoarece oamenii sunt nevoii
adeseori s aleag ntre soluii cu performane diferite, lund n calcul obiective multiple. De
exemplu, n cazul generrii cablajului unui circuit integrat, trebuie avute n vedere consideraii de
timing i de geometrie, i poate fi necesar realizarea unui compromis. n probleme de aceast
natur exis de obicei mai multe soluii, care nu pot fi difereniate din punct de vedere calitativ n
absena unui criteriu relativ la importana elementelor ce trebuie luate n calcul n apreciere.
Soluia aleas este n ultim instan bazat pe cerinele unei aplicaii sau este o soluie aleas
dup un criteriu subiectiv.
51
n primul pas din cadrul optimizrii multiobiectiv se furnizeaz un set de soluii care
reprezint cele mai bune alegeri (un set Pareto optimal), iar in al doilea pas se alege o soluie
final.
Optimalitatea lui Pareto se bazeaz pe principiul dominanei. Soluiile incluse n setul
optimal al lui Pareto sunt cele care nu mai pot fi mbuntite ntr-o anumit direcie fr a fi
deteriorate simultan n celelalte direcii. n continuare va fi prezentat o tehnic de generare a
setului Pareto de soluii folosind un algoritm evoluionist.
Algoritmii genetici reprezint strategii stohastice de cutare, modelate dup mecanisme
caracteristice naturii. Cutarea se bazeaz pe informaii ce caracterizeaz ntreaga populaie. Un
individ din cadrul populaiei codific o soluie sub forma unui ir de parametri, ir asupra cruia
se vor aplica operaiile de mutaie i crossover.
Paii executrii unui algoritm genetic sunt urmtorii:
-
Generarea aleatoare a unei populaii iniiale;

Evaluarea potrivirii indivizilor;
Selectarea prinilor pentru mperechere;
Aplicarea operatorilor de mutaie i crossover i generarea noii populaii;
Dac criteriul de stop nu este satisfcut se reia algoritmul de la pasul 2, n caz contrar
execuia algoritmului se ncheie.
Operatorul crossover este un mecanism care combin informaiile de la prini i le
transmite copiilor. Operatorul mutaie schimb aleator informaiile deinute de o gen, i are
rolul de a reintroduce n sistem anumite caracteristici care altfel s-ar putea pierde definitiv
datorit procesului de selecie.Deseori se folosesc operatori dependeni de aplicaie de exemplu
operatorul de crossover bazat pe ordine.
Criteriul de stop este i el dependent de aplicaie i este satisfcut cnd un individ ajunge s
ncapsuleze anumite caracteristici sau dup un anumit numr de generaii. Folosirea unui
algoritm genetic presupune:
- Gsirea unui reprezentri a soluiei;
- Realizarea unei codificri genetice a soluiei;
- Gsirea unei funcii de evaluare potrivite.
Performana unui individ este nglobat ntr-o singur valoare dei este foarte greu de
inclus obiectivele n aceasta. Modelarea fuzzy este un element foarte important in teoria fuzzy.
Metodologia general a modelrii fuzzy este alctuit din trei etape:
- Identificarea structurii externe;
- Identificarea structurii interne;
- Aproximarea lingvistic.
52
Identificarea structurii externe are n vedere determinarea variabilelor de intrare relevante.
Identificarea structurii interne implic paritiionarea spaiului i gsirea parametrilor de ieire.
Aproximarea lingvistic este ultimul pas n modelarea unui sistem fuzzy i presupune maparea
structurii interne n termeni lingvistici (acest pas este adesea omis).
O metod des ntlnit este folosirea sistemelor fuzzy bazate pe reguli. n aceste sisteme
spaiul variabilelor de intrare este partiionat n combinaii de seturi fuzzy folosind reguli fuzzy
de tip dac atunci.
Proiectarea unui sistem fuzzy poate fi realizat n cinci pai:
1. Determinarea intrrilor relevante;
2. Determinarea numrului de reguli;
3. Determinarea funciilor de apartenen;
4. Determinarea aciunilor asociate cu fiecare partiie;
5. Determinarea metodei adecvate folosit pentru combinarea aciunilor multiple.
Primul pas este de fapt identificarea extern a sistemului, deoarece intrrile i ieirile
relevante sunt externe sistemului. Din descrierea modului n care se formeaz partiiile
multidimensionale este clar ca funciile de apartenen i numrul de reguli sunt strns legate de
partiionare, din acest motiv pati 2 i 3 se vor executa simultan.
53
Regulatoare fuzzy
Capitolul 3
Regulatoare fuzzy
3.1 Regulatoare automate
Regulatorul automat are rolul de a prelua semnalul de eroare, (obinut n urma
comparaiei valorii prescrise r i a mrimii msurate y, n elementul de comparaie) i de a
elabora la ieire un semnal de comand u pentru elementul de execuie.
RA
y
Fig. 3.1 Regulator automat
n viziunea traditional, proiectarea sistemelor de reglare se bazeaz pe calculul modelelor
de comand din ecuaii de bilant masic sau energetic bazate pe legiti fizice, chimice, biologice
etc. care guverneaza functionarea respectivelor procese.
Regulatoarele convenionale cel mai frecvent implementate n practic sunt de tip P, PDT1,
PI sau PID i pot fi realizate [Preitl ., Precup R., 1997]:
- n varianta analogic
- n varianta numeric cvasicontinu.
P:
kR
PDT1:
kR
PI:
PID:
1 + sTd
1 + sT
1
k R 1 +
sTi
(3.1)
1
+ sTd
k R 1 +
sTi
54
Regulatoare fuzzy
n cazul conducerii bazate pe teoria mulimilor fuzzy, fa de conducerea clasic apar dou
mari diferene, i anume:
- n modul n care este caracterizat procesul; de remarcat c lipsa unui model matematic
ferm aferent procesului nu va constitui un impediment major;
- n modul n care este dezvoltat regulatorul regulatorul fuzzy i n modul n care
proprietile acestuia pot fi adaptate la cerinele conducerii.
3.2 Structura regulatorului fuzzy
Fig. 3.2 Regulator fuzzy structura informaional

Regulatorul cu logic fuzzy este compus din dou module de interfa unul de intrare
(fuzzificare) i altul de ieire (defuzzificare), o baz de cunotine i un sistem de inferen fuzzy.
[Jantzen J., 2007]
3.2.1 Modulul de fuzzificare
nainte ca informaia ferm referitoare la evoluia procesului s fie prelucrat prin schema
de inferen, aceasta trebuie s parcurg urmtorul lan de transformri:
conversia analog-numeric a semnalului/informaiei ferm(e) primar(e);
55
Regulatoare fuzzy
-
tratarea numeric a informaiei ferme, eantionate i cuantizate;

transformarea informaiei ferme, eantionate i cuantizate;
transformarea informaiei ferme ntr-o formulare vag, prin fuzzificare.
a. Conversia analog-numeric a semnalului ferm.

Presupune operaiile cunoscute, i anume: eantionarea, cuantizarea i codificarea. Din punct de
vedere al conducerii intereseaz doar primele dou operaii.
1) Eantionarea semnalului analogic. Criteriile privind alegerea perioadei de eantionare Te
sunt practic similare cu cele din cazul conducerii convenionale i depind de urmtoarele:
dinamica procesului condus, care sub o form sau alta mai mult sau mai puin
detaliat trebuie cunoscut; informaiile necesare se refer la constantele de timp mari sau mici
ale procesului, timpul mort, s.a.;
- dinamica SRA care urmeaz a fi realizat (condiia este legat n ultim instan de
performanele care se impun SRA);
- echipamentul numeric la dispoziie, care trebuie corelat cu volumul de calcule solicitate
de conducere;
- spectrul semnalelor perturbatoare;
- dinamica elementului de execuie; se reamintete c pentru a nu supune elementul de
execuie unor solicitri frecvente este recomandat ca perioada de eantionare Te s fie astfel
aleas nct pe durata ei elementul de execuie s rspund complet;
- dinamica elementului de msur . a.;
Pentru practic se pot reine urmtoarele recomandri generale privind alegerea perioadei
de eantionare:
- n cazul proceselor aperiodice pentru care constantele de timp mari sunt relativ bine
cunoscute, notate cu T1 > T2 > ... > Tr , unde Tr este cea mai mic constant de timp mare, atunci
Te se poate alege conform recomandrii (clasice):
Te (1/2) Tr
(3.2)
- n cazul proceselor care conin o component oscilant de pulsaie 0, perioada de

eantionare se poate alege astfel:
Te /( 4*0)
(3.3)
- n cazul n care procesul are cunoscute (aproximativ) constantele de timp mici sub
forma sumei acestora T, perioada de eantionare se poate alege conform relaiei:
56
Regulatoare fuzzy
Te (1/2 ... 1) T
(3.4)
2) Cuantizarea semnalului eantionat. Datorit preciziei relativ reduse a reglajului fuzzy,
pretenii deosebite n raport cu cuantizarea nu se impun; ca i n cazul conducerii convenionale,
o reprezentare a cuvntului binar pe mai mult de 8 (12) bii d complet satisfacie. Doar o
cuantizare grob i o reprezentare pe un numr foarte redus de bii poate avea efecte asupra:
- definirii TL care sunt supui cuantizrii att relativ la mulimea de baz ct i la
mulimea vag aferent;
- rezultatului procesului de fuzzificare, mecanismului de inferen i asupra rezultatului
defuzzificrii.
Dac n final comanda ferm poate lua numai un numr relativ redus de valori discrete
este posibil i apariia n ieirea procesului a fenomenului ripple.
b. Tratarea semnalelor msurate.
n principiu se poate pune problema efecturii pe cale numeric a urmtoarelor categorii de
calcule:
- calcule legate de postfiltrarea numeric a semnalului msurat, supus ulterior prelucrrii
fuzzy;
- calcule legate de determinarea derivatelor / variaiilor de ordinul nti ale unor intrri;
- eventual, calcule legate de efectuarea integralei unei mrimi;
1. Filtrarea numeric a unei mrimi: de multe ori semnalele msurate pot fi prefiltrate analogic
i apoi, la nevoie, filtrate numeric (eventual numai aceasta din urm). n acest scop se utilizeaz
filtre numerice simple ce au echivalentul continual proporional cu temporizare de ordinul nti
(PT1);
2. Derivata nti a unei mrimi. Derivatele de ordin superior (, ...) se utilizeaz mai puin; la
nevoie ele se pot calcula pe baza relaiilor de dicretizare cunoscute.
c. Transformarea informaiei ferme de intrare (e1k, e2k, ..., eantionate, filtrate, ...) ntr-o
formulare vag.
Ca i pn acum, n prima faz se va presupune c mrimile de intrare n regulatorul fuzzy
au valoarea ferm bine precizat. n aceste condiii pentru caracterizarea vag a informaiei
ferme este necesar definirea ct mai corect a numrului de termeni lingvistici (TL) i a
funciei de apartenen pentru fiecare din variabilele lingvistice (VL) de intrare. De remarcat c
n literatur pe aceast tem nu se dau recomandri exhaustive, general valabile, soluia final
fiind la latitudinea proiectantului. Cteva indicaii cu caracter general n acest sens care pot fi
luate n considerare la dezvoltarea unui regulator fuzzy sunt urmtoarele:
- Indicaii privind alegerea numrului de TL afereni unei VL de intrare, nTle, care este
obinuit un numr impar 3, 5 sau 7; prin numrul TL se fixeaz rezoluia conversiei vagi i a
prelucrrii ulterioare. Pe baza unor studii de caz, n literatur se dovedete c exceptnd unele
aplicaii speciale o cretere a numrului de TL peste 7 nu conduce la o cretere eficient a
57
Regulatoare fuzzy
rezoluiei. Odat cu creterea lui nTle pentru fiecare VL de intrare, crete numrul de reguli i
formularea bazei de reguli devine din ce n ce mai anevoias i nsi experienta personal a
expertului poate deveni din ce n ce mai puin sigur/relevant.
n general TL se denumesc astfel nct s reflecte un coninut ct mai general i depind de
fiecare dat de mrimea n cauz. Cu referire la intrarea (VL) eroare de reglare, e = w y,
pentru TL se pot utiliza, de exemplu, urmtoarele denumiri (cele din englez sunt consacrate):
- negativ mare NM
NB negative big;
- negativ mediu Nmd
NM negative medium;
- negativ mic Nm
NS negative small;
- zero Ze
ZE zero;
- pozitiv mic Pm
PS positive small;
- pozitiv mediu Pmd
PM positive medium;
- pozitiv mare PM
PB positive big.
Indicaii privind definirea i utilizarea domeniului de baz (mulimii de baz) pentru
mrimile de intrare (VL).Trebuie remarcat faptul c domeniul de baz pentru mrimile de intrare
este predefinit de domeniul de variaie al ieirii traductoarelor de msur i de echipamentul de
interfaare (adaptoare, conversie). Acoperirea prin TL a domeniului va determina amplificarea
regulatorului fuzzy. De remarcat c existena mai multor canale de intrare face ca n jurul unui
punct de funcionare staionar n raport cu fiecare din canale s se poat defini o valoare a
amplificrii (a se vedea liniarizarea sistemelor neliniare cu neliniariti continue).
Domeniul de baz poate fi definit n diferite moduri innd seama de natura mrimii
referite. Astfel, se pot meniona urmtoarele modaliti frecvente de definire a domeniului de
baz:
n uniti/mrimi naturale;
n uniti normate, raportarea efectundu-se la o valoare (domeniu) de baz;
n creteri fa de o valoare de referin (sau de baz) exprimate n uniti naturale sau n
uniti normate;
alte modaliti.
Operaia de definire a domeniului de baz poart i denumirea de scalare (ea trebuie
vzut ns corelat cu domeniul de baz al ieirii).
3.2.2 Baza de cunostine
Diferena esenial dintre conducerea automat convenional a proceselor i conducerea

acestora de ctre un operator uman cu experien, const n predicia evoluiei viitoare a
comportamentului acelor procese. Aciunea operatorului uman poate fi interpretat i sub form
lingvistic i astfel comportamentul uman poate fi imitat. Baza de cunotine este creat apriori,
n ea fiind inmagazinat experiena operatorului uman.
58
Regulatoare fuzzy
Bazele de cunotine reprezint mecanisme capabile a prefigura ceea ce se va ntmpla n
lumea exterioara, ca urmare a unor aciuni.
Baza de cunotine a unui regulator cu logic fuzzy este alctuit din dou componente:
baza de date i baza de reguli de reglare fuzzy. Baza de date se alege funcie de suporturile pe
care sunt definite variabilele lingvistice definite pe universurile de discurs.
Pentru definirea funciilor de apartenen ce caracterizeaz multimile fuzzy se utilizeaz n
special o definiie de tip grafic. n mod uzual cele mai folosite funcii de apartenen sunt: funcia
de apartenen triunghiular, funcia de apartenen trapezoidale, funcia de apartenen clopot,
etc. Funciile de apartenen sunt folosite pentru regulatoarele fuzzy pentru c permit utilizarea
operaiilor cu mulimi fuzzy. Dar, mai exist i o alt modalitate de a de a defini funciile de
apartenen: definire numeric, cnd funcia de apartenen este reprezentat ca un vector a crui
dimensiune depinde de nivelul discretizrii.
Alegerea corect a funciilor de apartenen a mulimii termenilor care intervin n cazul
reglrii unui proces, joac un rol esenial n succesul unei aplicaii.
3.2.2.1 Baza de reguli
Regulile fuzzy asociaz datele descrise prin mulimi fuzzy dup legile de coresponden
dorite. Exprimarea lingvistic a regulilor fuzzy e sub forma unor exprimri condiionale de tipul
dac atunci. Funcionarea unui regulator fuzzy are la baz ntreaga colecie de reguli
fuzzy care formeaz baza de reguli. Baza de reguli reprezint ntr-o descriere lingvistic
funcionarea regulatorului pe domeniile de baz ale mrimilor de intrare (premizei) i ieire
(concluziei).
Regulile pot folosi mai multe variabile, att n premiz ct i n concluzia regulii. Astfel
regulatoarelor le pot fi aplicate att probleme MIMO ct i SISO. Problema tipic pentru SISO
este determinarea ieirii plecnd de la semnalul de eroare.
Uzual, variabilele lingvistice de intrare ale unui regulator cu logic fuzzy sunt: eroarea (e);
variaia erorii (e sau e& ); integrala erorii (e).
Variabilele lingvistice de ieire ale unui regulator cu logic fuzzy pot fi: variaia mrimii
de comand (u sau u& ); mrimea de comand (u).
Datorit prelucrrii n diverse moduri ale erorii avem de-a face cu o singur bucl de
reglare, dei regulatorul are mai multe intrri. n figura 3.3 este prezentat un regulator fuzzy n
care premiza este reprezentat de eroare i variaia erorii.
u
e
r +
Regulator
e
fuzzy
+
z-1
y
Fig. 3.4 Eroarea i variaia erorii ca intrri ale regulatorului fuzzy
59
Regulatoare fuzzy
Informaiile din premiz i concluzie sunt formulate i conectate prin descriptorii
lingvistici I i SAU respectiv prin mecanismul de evaluare a concluziei (mecanismul de
inferen). Regulile bazei de reguli sunt conectate prin conectorul SAU.
Conectarea I sau/i SAU a informaiilor din premiz i din concluzie depind esenial de
funcionalitatea i de proprietile procesului i de modul de caracterizare a experienei n
conducerea procesului.
Mrimea / dimensiunea bazei de reguli depinde de numrul variabilelor lingvistice de
intrare i de ieire, de numrul de termeni lingvistici utilizai n caracterizarea fiecrei variabile
lingvistice i de conectorii utilizai n premiz i concluzie.
Baza de reguli poate fi:
- complet, cnd fiecare situaie ferm (e0) este acoperit de reguli;
- incomplet, cnd situaii ferme imposibile sau foarte puin probabile (nesemnificative)
pentru funcionarea procesului nu sunt definite sau sunt lsate spre rezolvare unor reguli
adiacente.
Funcionarea corect a unui regulator fuzzy i, n consecin, a unui sistem de control cu
regulator fuzzy depinde esenial de formularea corect a bazei de reguli; aceasta depinde de buna
cunoatere a evoluiei/eventual i a tendinei de evoluie a procesului. Din start, trebuie precizat
faptul c greelile mari n formularea bazei de reguli pot avea efecte catastrofale privind
caracteristica static a regulatorului fuzzy.
Evident este i faptul c formularea bazei de reguli pentru un regulator fuzzy cu o intrare i
o ieire nu ridic practic nici un fel de probleme. Dac ns numrul de intrri crete, formularea
bazei de reguli poate deveni mai dificil (ca n cazul regulatoarelor fuzzy dup stare).
Principalele proprieti ale unei baze de reguli bine formulate sunt urmtoarele:
1) baza de reguli s fie complet;
2) baza de reguli s fie consistent;
3) baza de reguli s asigure continuitatea caracteristicii statice.
1)
Baza de reguli s fie complet.
O baz de reguli de forma:
DAC (premiza) ATUNCI (concluzia)
(3.5)
este complet dac toate combinaiile tehnic posibile ale intrrilor acoper toate valorile tehnic
posibile ale comenzii / ieirii.
2)
Baza de reguli s fie consistent.

La formularea unei baze de reguli trebuie avut n vedere faptul c nu este permis existena
situaiilor n care dou reguli s aib o aceeai premiz dar s conduc la concluzii diferite; de
exemplu, formularea:
60
Regulatoare fuzzy
DAC (e1 = E1i I e2 = E2i) ATUNCI (u = Ui),

DAC (e1 = E1i I e2 = E2i) ATUNCI (u = Uj)
(3.6)
este neconsistent, o aceeai premiz conducnd la dou concluzii diferite.

n acest sens, o baz de reguli de forma (3.6) este consistent dac o aceeai premiz conduce
ntotdeauna la o aceeai concluzie.
Baza de reguli s asigure continuitatea caracteristicii statice
n acest context, dou reguli adiacente ale unei baze de reguli (definite, de exemplu, prin
tabelul de inferen) trebuie s aib concluzia astfel formulat nct s nu conduc la
discontinuiti n caracteristica static. Evident, este vorba de acele discontinuiti ce pot face
regulatorul inoperant.
3)
Respectarea acestor cerine/proprieti poate asigura bun funcionare a regulatorului fuzzy

respectiv a sistemului de control cu regulator fuzzy.
Reprezentarea bazei de reguli poate fi fcut in mai multe forme. De regul aceste reguli
apar sub forma lingvistic cea mai cunoscut, forma dac atunci ...:
Dac err este NEG i variaia err este NEG atunci ieirea este POZBIG
Dac err este POZ i variaia err este NEG atunci ieirea este ZERO
Dac err este ZERO i variaia err este NEG atunci ieirea este POZSMALL
Dac err este POZ i variaia err este POZ atunci ieirea este NEGBIG
Dac err este ZERO i variaia err este ZERO atunci ieirea este ZERO
Dac err este NEG i variaia err este ZERO atunci ieirea este NEGBIG
Dac err este NEG i variaia err este POZ atunci ieirea este ZERO
Dac err este ZERO i variaia err este POZ atunci ieirea este NEGSMALL
Dac err este POZ i variaia err este ZERO atunci ieirea este NEGSMALL
(3.7)
Acelai set de reguli poate fi reprezentat ntr-un format mult mai compact sub o form relaional:
61
Regulatoare fuzzy
Tabelul 3. 1 Baza de reguli n form funcional
err
NEG
POZ
ZERO
POZ
ZERO
NEG
NEG
ZERO
POZ
Variaia err
NEG
NEG
NEG
POZ
ZERO
ZERO
POZ
POZ
ZERO
ieirea
POZBIG
ZERO
POZSMALL
NEGBIG
ZERO
POZBIG
ZERO
NEGSMALL
NEGSMALL
Capul tabelului reprezint numele variabilelor. Primele dou coloane sunt intrrile (eroarea i
variaia erorii), cea de-a treia coloan reprezint ieirea, iar fiecare coloan reprezint o regul.
Acest format prezint avantajul c pentru un utilizator experimentat exist o viziune de ansamblu
asupra bazei de reguli a regulatorului.
Cea de-a treia form, o form matricial este prezentat n tabelul urmtor:
NEG
err ZERO
POZ
Tabelul 3. 2 Tabel de decizie

Variaia err
NEG
ZERO
POZ
POZBIG
POZBIG
ZERO
POZSMALL
ZERO
NEGSMALL
ZERO
NEGSMALL
NEGBIG
n cazul n care una din celulele matricii este vid, atunci nseamn c pentru premizele
corespunztoare nu e activat nici o regul. n acest format este mai facil observarea proprietii
unei baze de reguli de a fi complet.
Pentru cazul descris n tabelul (3.2) cu dou intrri i o ieire aceast matrice mai este numit
i planul fazelor lingvistic. n cazul n care numrul variabilelor de intrare este n>2, matricea va
crete la un vector n-dimensional.
3.2.2.2 Mecanismul de determinare a regulilor de reglare fuzzy
Pentru determinarea regulilor de reglare fuzzy se folosesc patru metode distincte sau chiar
combinaii ale acestora. Cele patru metode sunt [Mastacan L., 2006]:
A. Utilizarea cunotintelor inginereti din domeniul reglrii
62
Regulatoare fuzzy
Plecnd de la relaia cauz efect utilizat n controlul automat regulile de reglare fuzzy
au forma declaraiilor condiionate fuzzy unde variabilele de stare sunt variabile cauz i
variabilele de comand ale procesului sunt variabile efect. Deoarece n multe decizii
informaiile lingvistice sunt predominante fa de cele numerice, regulile de reglare fuzzy permit
implementarea unor decizii destul de facil a lor plecnd de la astfel de informaii.
Exprimarea de tipul dac atunci poate fi asemnat unui sistem expert n care
cunoaterea i experiena sunt determinante. Ca i n cadrul sistemelor de tip expert unde
cunotinele provin fie de la o analiz atent asupra domeniului fie de la o interogare a
operatorului dup anumite direcii predefinite.
Rezult astfel prototipuri ale regulilor de reglare fuzzy pentru un domeniu particular de
aplicaii. Pentru obinerea unor performane optime, regulile de reglare pot fi reduse sau pot fi
combinate ntre ele.
B. Reguli bazate pe comanda manual a proceselor
Relaiile intrare ieire din cadrul sistemelor industriale de comand manual nu sunt
cunoscute din punct de vedere al teoriei clasice a reglrii prin modelare i simulare. n schimb,
operatorii umani calificai pot conduce manual asemenea sisteme far a cunoate modelul
cantitativ al acestora. Conducerea manual reprezint o form mai mult sau mai puin contient
a unei baze de reguli de tipul "dac - atunci". Astfel pentru automatizarea acestor procese,
regulile de reglare manual ale operatorului sunt utilizate ca reguli fuzzy "dac - atunci", prin
intermediul variabilelor lingvistice [Sugeno, 1985].
Deducerea acestor reguli fuzzy se face pe baza observrii atente a aciunilor de reglare
manual ale operatorului n termeni de date de operare intrare- ieire.
C. Reguli bazate pe modelul fuzzy al procesului
Dinamica unui proces reglat poate fi pus sub o descriere lingvistic i astfel se poate
interpreta ca un model fuzzy al procesului [Zadeh, 1973]. Pe baza acestui model poate rezulta
baza de reguli care duce la obinerea unor performane dorite ale dinamicii sistemului.
Metoda aceasta de proiectare a unui regulator cu logic fuzzy este mai complicat i nu a
fost studiat suficient.
D. Sisteme cu autoorganizare
Primul regulator fuzzy cu structur auto-organizabil a fost descris n lucrarea [Procyk,
1979]. Acest regulator are o structur ierarhic compus din dou baze de reguli. Prima, este
baza de reguli generale ntilnit la orice regulator cu logic fuzzy; a doua baz de reguli, este
alctuit dintr-o mulime de "meta-reguli" care creeaz i modific baza de reguli generale innd
cont de performanele globale impuse sistemului.
63
Regulatoare fuzzy
3.2.3 Sistemul de inferen
Inferena reprezint procesul de a obine concluzii din date existente, deducerea

adevrurilor noi din unele vechi. Bineneles, propoziiile logicii clasice au doar dou valori de
adevr: adevrat sau fals, procesul inferenei este simplificat n comparaie cu logica fuzzy, unde
trebuie s fie preocupare, nu doar de reguli ci i de valoarea lor de adevr.
Mecanismul de luare a deciziilor ntr-un regulator cu logic fuzzy nu este construit pe baza
unor interdependene a regulilor de reglare, ca n cazul sistemelor expert, ci este construit pe
baza unei inferene de tip modus ponens generalizat:
premiza 1: x este A
premiza 2: dac x este A atunci Y este B
consecina: y este B'
(MPG)
'
(3.8)
unde A, A', B, B' sunt propoziii fuzzy.

n cazul regulatoarelor fuzzy e posibil ca premizele cu diverse valori de adevr s activeze mai
multe reguli din baza de reguli i atunci mrimea de ieire rezult prin operaia de compunere a
regulilor.
Fie un regulator cu logic fuzzy cu o baz de reguli MISO, cu dou mrimi de intrare i o
mrime de ieire, de forma:
intrare:
R1:
i
R2:
.....
i
Rn:
x este A' i y este B'

dac x este A1 i y este B1 atunci u este C1
dac x este A2 i y este B2 atunci u este C2
.....................................................................
dac x este An i y este Bn atunci u este Cn
u este C'
ieire:
(3.9)
n care
- x, y i u sunt variabile lingvistice reprezentnd variabilele de stare ale procesului,
respectiv variabila de comand a regulatorului cu logic fuzzy;
- A, B i C sunt valori lingvistice ale variabilelor lingvistice x, y, i u, n universurile de
discurs X, Y i respectiv U, i = 1, 2, ... , n.
64
Regulatoare fuzzy
n relaia (3.9), regula de reglare fuzzy " dac (x este Ai i y este Bi) atunci (z este Ci)" este
implementat de o implicaie fuzzy sub forma unei relaii fuzzy Ri definit astfel:
def
Ri = (Ai si Bi Ci )(x,y,u) = ( Ai (x) si Bi (y)) Ci (u)

n care
(3.10)
- "Ai i Bi" este o mulime fuzzy Ai Bi n X Y;

def
- Ri = (Ai si Bi ) Ci este o implicaie fuzzy (relaie fuzzy) in X Y U; iar

- simbolul " " indic o funcie de implicaie fuzzy.
Mrimea de ieire C' este calculat cu regula de compunere a inferenei max-min.
n figura urmtoare este reprezentat inferena din cazul particular al relaiei (3.9) unde
n=2, deci sunt dou reguli activate R1 i R2:
x
A1
B1
C1
min
C 1
x
A2
B2
C2
min
C2
2
x0
y0
max
z
C
z
Fig. 3.5 Inferena Mamdani a dou reguli fuzzy
65
Regulatoare fuzzy
Observaiile discrete ale mrimilor de intrare sunt considerate singletoane fuzzy x0 i y0 .
Factorii de ponderare pentru regulile de reglare R1 i R2 au urmtoarea form:
1 = A ( x0 ) B ( y0 ) = min[ A ( x0 ), B ( y0 )]
2 = A ( x0 ) B ( y 0 ) = min[ A ( x0 ), B ( y 0 )]
1
(3.11)
n care Ai ( x0 ) i Bi ( y0 ) sunt grade de apartenen ale legturii dintre datele de intrare i

datele din baza de reguli. n raionamentul acesta, care reprezint raionamentul Mamdani, din
regula i, se obine o funcie de apartenen a mrimii de comand pariale a regulatorului cu
logic fuzzy, de forma:
Ci ( u ) = i Ci ( u )
(3.12)
Funcia de apartenen C ' a mrimii de comand C, se obine prin combinarea de tip

max, din mrimile de comand pariale, se calculeaz cu relaia:
C (u ) = C (u ) C (u ) = [ 1 C (u )] [ 2 C (u )]
'
(3.13)
n afar de raionamentul acesta al lui Mamdani mai sunt folosite i alte trei metode de
raionamente fuzzy:
metoda Larsen (operatorului produs)
metoda Takagi i Sugeno
metoda Tsukamoto
66
Regulatoare fuzzy
x
A1
B1
C1
prod
C 1
x
A2
B2
C2
prod
C2
2
x0
y0
max
C
z
Fig. 3.6 Inferena Larsen a dou reguli fuzzy

Comparativ cu raionamentul Mamdani, n raionamentul Larsen funcia de apartenen a
mrimii de comand pariale a regulatorului cu logic fuzzy are forma [Larsen, 1980]:
Ci ( u ) = i Ci ( u )
(3.14)
Funcia de apartenen C ' a mrimii de comand C, obinut, prin raionament fuzzy

Larsen din mrimile de comand pariale, este:
C (u ) = C (u ) C (u ) = [ 1 C (u )] [ 2 C (u )]
'
(3.15)
Mrimea de ieire C' este calculat cu regula de compunere a inferenei max-prod. n figura (3.5)
este reprezentat inferena Larsen pentru dou reguli activate.
n raionamentul fuzzy de tip Sugeno&Takagi, concluzia rezult ca o funcie matematic a
premizelor. Formatul regulii este de forma:
67
Regulatoare fuzzy
R: dac (x1 este A1 i...i xn este An) atunci u = f(x1, x2, ..,xn)
(3.16)
n care
- f este funcie de variabilele de stare ale procesului x1, ..., xn definit n subspaiul de
intrare.
Se observ c partea premizei rmne neschimbat comparativ cu metoda Mamdani, n
schimb concluzia rezult uzual ca o funcie matematic simpl, liniar sau ptratic:
f = ( a 0 + a 1 x 1 + a 2 x 2 + ... + a n x n )
(3.17)
Dac avem de exemplu dou reguli de reglare de forma;

R1: dac x1 este A1 i y este B1 atunci u = f1(x,y)
R2: dac x este A2 i y este B2 atunci u = f2(x,y)
(3.17)
Valoarea mrimii de comand care rezult din aplicarea regulii R1 este 1f1(x0,y0) iar
valoarea mrimii de comand care rezult din aplicarea regulii R2 este 2f2(x0,y0)
Valoarea mrimii de comand a regulatorului se calculeaz cu relaia
u =
1 f 1(x 0 ,y 0 ) + 2 f 2 (x 0 ,y 0 )
1 + 2
68
(3.18)
Regulatoare fuzzy
x
A1
B1
1
u1 = a10 + a11 x + a12 y
x
x
A2
B2
u2 = a02 + a12 x + a22 y
2
u=
1u1 + 2u2
1 +2
Fig. 3.7 Inferena Sugeno&Takagi a dou reguli fuzzy

Continund comparaia cu metoda Mamdani, aceast metod este avantajoas din
perspectiva calculului ieirii, deoarece rezult ca valoare un singleton sau o funcie matematic a
unor singetoane. Totodat aceast metod este mult mai convenabil din punct de vedere al
analizei matematice i al analizei sistemului. n plus este garantat o continuitate a spaiului
ieirii.
O ultim metod de raionament fuzzy este metoda lui Tsukamoto. Aceast metod
reprezint o simplificare a metodei Mamdami, consecina fiecrei reguli fuzzy este o mulime
fuzzy cu funcie de apartenen monoton.
Rezultatele obinute din regulile de reglare fuzzy, de forma (3.9), prin aceast metod de
raionament fuzzy sunt valori exacte determinate de puterea de activare a regulilor:
1 = C 1 (u1 )
2 = C 2 (u 2 )
(3.19)
Ieirea sistemului fuzzy Tsukamoto se calculeaz ca medie ponderat a concluziilor

pariale obinute.
69
Regulatoare fuzzy
u =
A1
1 y1 + 2 y 2
1 + 2
(3.20)
B1
C1
1
x
x
A2
B2
u1
C2
2
x
u2
u=
1u1 + 2u2
1 + 2
Fig. 3.8 Inferena Tsukamoto a dou reguli fuzzy
3.2.4 Modulul de defuzzificare
Rezultatul inferenei fuzzy este o informatie vag sub forma funciei de apartenen
rezultat Z(z) referitoare la mrimea de ieire. Prin defuzzificare se nelege operaia de
obinere a unei valori numerice reprezentative pentru iesirea pe baz. Rezultatele aplicrii
tehnicilor fuzzy va fi o valoare clar, ferm chiar dac se lucreaz cu mulimi fuzzy.
Operaia de defuzzificare implic:
- existena funciilor de apartenen ale variabilelor lingvistice de ieire, corespunztor
definite;
- alegerea unei metode de defuzzificare adecvat.
Exist numeroase metode de defuzzificare, din cadrul crora, n domeniul conducerii
automate mai frecvent utilizate sunt urmtoarele [Driankov D., 1993]:
70
Regulatoare fuzzy
a) metoda maximului;
b) metoda centrului de greutate;
c) metoda bisectoarei.
Alegerea uneia sau alteia din metode va depinde de mai muli factori dintre care se amintesc:
- viteza de procesare a informaiei astfel nct prelucrarea n timp real s fie posibil;
- metoda de procesare a informaiei n cazul utilizrii unor procesoare de semnal;
- construcia i funcionarea elementului de execuie.
Fiecare din metodele enumerate prezint avantaje i dezavantaje care vor fi evideniate n
continuare.
3.2.4.1 Metoda maximului
Aceast metod prezint particularitatea c din toate regulile activate n procesul de

inferen sub aciunea valorii ferme a intrrii/intrrilor se selecteaz doar concluzia cu gradul de
realizare maxim urmnd ca aceasta, prin termenul lingvistic de ieire i funcia de apartenen
activat, s determine valoarea ferm a ieirii.
n cazul utilizrii acestei metode nu trebuie s fie posibil apariia urmtoarele situaii:
- nici una din regulile bazei de reguli s nu fie activat;
- dou concluzii s fie activate cu un acelai grad de realizare.
Pentru calculul efectiv se determin mulimea DEF a elementelor domeniului U, care au
gradul de apartenen cu cel mai mare grad al funciei de apartenen a mrimii de comand u:
DEF
= { u U | U ( u ) = sup U ( u )}
u U
(3.21)
Practic alegerea exact a valorii ferme din mulimea DEF, divide aceast metod n trei
variante posibile:
-
metoda primului maxim, cnd mrimea de ieire a regulatorului fuzzy este valoarea
inferioar
*
umin
a mulimii DEF:
*
u min
= inf { DEF }
u U
71
(3.21)
Regulatoare fuzzy
u
DEF
u
u *min
Fig. 3.9 Reprezentarea grafic a metodei de defuzificare a primului maxim

-
metoda ultimului maxim, cnd mrimea de ieire a regulatorului fuzzy este valoarea
superioar
*
umax
a mulimii DEF:
*
u max
= sup { DEF }
(3.22)
uU
u
DEF
u
*
umax
Fig. 3.10 Reprezentarea grafic a metodei de defuzificare a ultimului maxim

medie
metoda medierii maximului, cnd mrimea de ieire a regulatorului fuzzy este valoarea
*
umed
a mulimii DEF:
*
med
*
*
u max
+ u max
=
2
72
(3.22)
Regulatoare fuzzy
u
DEF
u
u *med
Fig. 3.11 Reprezentarea grafic a metodei de defuzificare a medierii maximului

Situaia cea mai avantajoas a metodei apare atunci cnd elementul de execuie prezint un
numr finit de poziii ferme ce pot fi asociate cu termeni lingvistici de tip singleton ai mrimii
de ieire a regulatorului.
3.2.4.2 Metoda centrului de greutate (centriod)
Este cea mai aplicat metod practic de defuzzificare n implementarea regulatoarelor

fuzzy. Metoda const n determinarea valorii ferme pentru mrimea de ieire (comanda u) cu
luarea n considerare ntr-o manier ponderat a tuturor influenelor obinute din regulile
activate de starea particular a intrrilor de la un moment dat.
Comanda ferm
u * , se obine ca urmare evalurii unei expresii de forma:

u* =
u U ( u ) du
U ( u ) du
(3.23)
n cazul particular n care concluzia este o valoare discret U = {u1 ,..., u j } , mrimea de
comand, defuzzificat, a regulatorului cu logic fuzzy, se obine cu relaia:
j
u* =
U (u i )u i
i =1
j
i =1
U (u i )
(3.24)
Aceast metod prezint cteva avantaje importante, avantaje care o recomand n a fi cea
mai folosit metod de defuzzificare:
73
Regulatoare fuzzy
*
- la realizarea comenzii ferme u particip toate regulile activate ponderate cu gradul de

realizare aferent;
- domeniul valorilor U este un domeniu compact, U fiind continual; prin aceasta va fi
evitat efectul ripple indus n desfurarea procesului de valorile ferme ale comenzii.
Evident, metoda centrului de greutate prezint i unele dezavantaje:
- calculul centrului de greutate cu ajutorul relaiei (3.23) poate fi destul de mare
consumator de timp, sau necesit o parte hardware destul de costisitoare;
- existena unor zone ale domeniului U neacoperite de funcii de apartenen conduce la
suprafee ciudate ale caracteristicii statice (generalizate) ale regulatorului;
- existena unor probleme de capt care se manifest prin aceea c la o alegere inadecvat a
formei funciei de apartenen aferente termenilor lingvistici de margine a domeniului U al
*
u*
variabilei lingvistice de ieire poate apare situaia n care valoarea minim umin =0 sau max =1
nu pot fi realizate; n astfel de situaii, prin defuzzificare prin metoda centrului de greutate
*
*
*
u*
valoarea minim u min respectiv maxim max vor fi u min > 0 i u max < 1 .
u
Fig. 3.12 Reprezentarea grafic a metodei centrului de greutate

3.2.4.3 Metoda bisectoarei
Aceast metod de defuzzificare determin valoarea ferm a mrimii de ieire a

*
regulatoarelor fuzzy ca fiind punctul u prin care dac se traseaz o linie vertical va mpri
suprafaa rezultat n urma inferenei fuzzy n dou suprafee de arii egale.
u
U ( u ) du =
74
U ( u ) du
(3.25)
Regulatoare fuzzy
u
Fig. 3.13 Reprezentarea grafic a metodei bisectoarei

Pentru anumite cazuri particulare ale funciilor de apartenen ale concluziei metoda
bisectoarei d aceeai valoare ca i metoda centrului de greutate.
Adoptarea uneia dintre metodele de defuzificare a ieirii unui regulator fuzzy se face n
faza de nceput a procesului de dezvoltare a regulatorului i depinde n mare msur de tipul de
element de execuie. De exemplu pentru un element de execuie cu domeniu de variaie continu
se prefer metoda de defuzificare a centrului de greutate, n timp ce pentru un element de
execuie cu un numr finit de stri discrete se adopt ca metod de defuzificare una din cele trei
forme ale metodei maximului.
3.3 Regulatoare fuzzy cvasi-tipizate
Un regulator fuzzy este un regulator neliniar ce poate intrarea singular / multipl i ieirea
la fel. Legile de reglare clasice se pot regsi ntr-o comportare mai mult sau mai puin
asemntoare n cadrul funcionrii regulatoarelor fuzzy. Astfel, corespondena aceasta creeaz
echivalene ale regulatoare clasice: regulatoare cvasi-P, cvasi-PI, cvasi-PD, cvasi-PID.
n baza de reguli a unui regulator fuzzy, regulile de reglare fuzzy au n premiz, ca
variabile de intrare, mrimile:
- eroarea, e;
- variaia erorii (derivata), e sau e&
- suma erorilor (integrala), e.
n consecina regulilor, ca variabile de ieire pot fi una din urmtoarele mrimi:
- variaia comenzii u sau u& ;
- comanda u.
75
Regulatoare fuzzy
3.3.1 Regulator cu logic fuzzy cu comportare de tip cvasi-P
Un regulator convenional P (proporional) are legea de reglare ntr-o form discret:
u (k ) = K P e(k )
(3.26)
unde u(k)= mrimea de comand calculat la pasul de eantionare k

e(k) = yref - y(k); eroarea calculat la pasul de eantionare k
- yref este mrimea prescris a regulatorului cu logic fuzzy;
- y este mrimea de ieire a procesului reglat;
KP este coeficientul de proporionalitate al regulatorului.
Regulatorul cu logic fuzzy ce are o comportare de tip cvasi-P va avea regulile de reglare
fuzzy, din baza de reguli, de forma:
dac e(k) este <simbol>
atunci u(k) este <simbol>
(3.27)
unde <simbol> reprezint numele simbolic al valorii lingvistice al variabilei.

3.3.2 Regulator cu logic fuzzy cu comportare de tip cvasi- PD
Un regulator convenional PD (proporional-derivativ) are legea de reglare ntr-o form

discret:
u (k ) = K P e(k ) + K D e(k )
(3.28)
unde KD este coeficientul de derivare al legii de reglare;
e(k) = e(k) - e(k-1); variaia erorii

Regulatorul cu logic fuzzy ce are o comportare de tip cvasi-PD va avea regulile de reglare
fuzzy, din baza de reguli, de forma:
dac e(k) este <simbol> i e(k) este <simbol>
76
(3.29)
Regulatoare fuzzy
+
y
ntrziere
un pas
Kp
Regulator
fuzzy
KD
Fig. 3.14 Regulator fuzzy Cvasi-PD

Parametrii KP i KD se pot modela fie n interiorul regulatorului fuzzy, fie n exterior atunci
cnd sunt predeterminai i n acest caz ndeplinesc i rolul de scalare a mrimilor de intrare n
regulatorul fuzzy.
3.3.3 Regulator cu logic fuzzy cu comportare de tip cvasi- PI
Un regulator convenional PI (proporional-integrator) are legea de reglare:
u = KP e + KI e
(3.30)
unde KI este coeficientul de integrare al legii de reglare.

Regulatorul fuzzy cvasi-PI poate avea dou forme funcie de aplicarea relaiei (3.30):
- de poziie: cnd componenta integral este pe intrare;
- incremental: cnd componenta integral este pe ieire.
Relaia (3.30) scris n form discret are forma:
k 1
u ( k ) = K P e( k ) + K I e( k )
1
(3.31)
Regulatorul fuzzy cvasi-PI de poziie va avea regulile de reglare fuzzy, din baza de reguli,
de forma:
dac e(k) este <simbol> i e este <simbol>
(3.32)
Regulatorul fuzzy cvasi-PI incremental este mult mai utilizat n practic i pleac de la
derivarea relaiei (3.30):
u& = K P e& + K I e
77
(3.33)
Regulatoare fuzzy
Regulatorul cu logic fuzzy ce are o comportare de tip cvasi-PI incremental va avea
regulile de reglare fuzzy, din baza de reguli, de forma:
(3.34)
n acest caz componenta integral este pus pe ieire i valoarea mrimii de comand u(k)
se obine prin sumarea incrementului u(k) la mrimea de comand anterior calculat u(k-1):
u(k) = u(k-1) + u(k)
+
y
ntrziere
un pas
Kp
KI
Regulator
fuzzy
(3.35)
u +
+
Element de
acumulare
Fig. 3.15 Regulator fuzzy Cvasi-PI incremental

Operaia de reinere/acumulare a valorii comenzii se face n exteriorul regulatorului fuzzy
i astfel, n concluziile regulilor fuzzy din baza de reguli apare numai incrementul comenzii
u(k).
3.3.4 Regulator cu logic fuzzy cu comportare de tip cvasi- PID
Un regulator convenional PID (proporional-integrator-derivativ) are legea de reglare de

forma:
u = K P e + K D e& + K I e
(3.36)
i n acest caz componenta integratoare poate fi pus fie pe intrare fie pe ieire, ca n cazul
regulatorului Cvasi-PI. Pentru un regulator fuzzy Cvasi-PID ce are componenta integratoare pe
intrare are regulile de reglare fuzzy, din baza de reguli, de forma:
78
Regulatoare fuzzy
dac e(k) este <simbol> i e(k) este <simbol> i e(k) este <simbol>
(3.37)
3.3.5 Regulator cu logic fuzzy cu mrimi de intrare variabilele de stare ale procesului
Regulatorul cu logic fuzzy cu mrimi de intrare variabilele de stare ale procesului reglat
reprezentarea simbolic a unei reguli de reglare din baza de reguli este de forma:
dac x1 este <simbol> i ... i xn este <simbol>
atunci u este <simbol> .
(3.38)
Regulile de reglare fuzzy de forma (3.38) se obin de obicei din modelul fuzzy al
procesului.
3.3.6 Regulator cu logic fuzzy de tip Sugeno - Takagi
Baza de reguli a unui regulator cu logic fuzzy de tip Sugeno - Takagi este alctuit din
reguli cu reprezentarea simbolic de forma:
dac x1 este <simbol> i ... i xn este <simbol>
atunci u = f(x1, ..., xn).
(3.39)
unde f este o funcie liniar de variabilele de stare ale procesului xi, (i = 1, 2. ..., n).
3.3.7 Regulatoare convenionale cu adaptarea fuzzy a parametrilor
Regulatoarele PID nc sunt cele mai uzuale regulatoare folosite in sistemele de reglare
datorit operrii simple i a robusteii lor. Acordarea parametrilor de acord a unui regulator
convenional prin metode clasice de proiectare nu este foarte fiabil dac condiiile de
funcionare ale procesului sufer unele modificri on-line. n acest caz, de exemplu un regulator
care a fost proiectat pentru un anumit punct de funcionare nu va avea performane asemntoare
in jurul unui alt punct de funcionare.
Cu ajutorul logicii fuzzy se pot implementa sisteme de adaptare fuzzy a parametrilor
regulatoarelor convenionale. Parametrii de acord ai unui regulator PID: Kp, Kd i Ki pot fi
acordai cu ajutorul unui sistem fuzzy, care ine cont de valoarea erorii i a variaiei erorii.
Shema bloc a unui sistem cu adaptarea parametrilor regulatorului PID este prezentat n
figura (3.13).
79
Regulatoare fuzzy
Parametrii regulatorului PID sunt determinai n urma unei inferene fuzzy Mamdani, cu
regulile din baza de reguli de forma:
atunci Kp este <simbol> Ki este <simbol> Kd este <simbol>
Regulator
fuzzy
1-z-1
r
Regulator
PID
(3.40)
KP, KI, KD
u
y
Fig. 3.16 Regulator PID cu adaptarea fuzzy a parametrilor de acord
n raport cu un regulator convenional (PI, PID, ), regulatorul fuzzy cu dinamic are

avantajul suplimentar al posibilitii introducerii unor proprieti neliniare i al adaptabilitii
acestora dependent de situaia i de experiena local.
80
Mecanisme de inferen n baze rare de reguli fuzzy
Capitolul 4
4.1 Baze dense i baze rare de reguli fuzzy
n general, un sistem de inferen reprezint o procedur automat care permite dezvoltarea
raionamentelor, transformnd cunotinele pasive, culese n mod mai mult sau mai puin
ordonat, n informaie activ, necesar adoptrii unor decizii.
Un sistem de inferen fuzzy presupune o structur de reguli predefinite de ctre utilizator
de forma dac premiza... atunci ...concluzia. Baza de reguli este compus din totalitatea
regulilor fuzzy care descriu comportarea unui sistem.
Activarea unei reguli fuzzy se face cnd observaia de la un moment dat din universul de
discurs al premizei genereaz o concluzie. Se pot activa la un moment dat una sau mai multe
reguli fuzzy, iar atunci cnd sunt activate mai multe reguli fuzzy, concluzia final rezult din
operaia de compunere a concluziilor generate. Astfel premizele sunt legate de concluzii printrun sistem dinamic poate fi interpretat i ca un model fuzzy al sistemului respectiv.
Modelele fuzzy care conin reguli de tipul
dac x este Ai atunci y este Bi
(4.1)
n care X={xi} este spaiul de intrare, Y={yi} este spaiul de ieire, i=1, 2, , k, sunt cunoscute
n literatur ca modele-Z [Zadeh, 1994].
Aceste tipuri de reguli genereaz concluzii ferme pentru nucleul spaiului X, acolo unde
A ( xi ) = 1 i valori vagi pe suportul respectiv, n vecintatea nucleului A ( xi ) (0,1) .
Un alt model utilizat este modelul-TS [Takagi T.,Sugeno M., 1985], unde concluzia este
determinat printr-o combinaie liniar a intrrii:
dac x este Ai atunci y=aix+bi
81
(4.2)

n care ai R i bi R sunt constante reale care caracterizeaz funcionarea procesului pentru
regula i.
Comportarea unui sistem fuzzy este complet determinat [Kovcs S., Kczy L. T.,1996]
prin inferen fuzzy numai dac domeniile Ai determin o acoperire fuzzy a universului X, adic:
r
U Ai = X
(4.3)
i =1
n care, Ai sunt mulimi de nivel- (tieturi-), iar r este numrul de reguli fuzzy din baza de
reguli fuzzy.
Astfel, dac avem ndeplinit condiia (4.3) spunem c avem de-a face cu o baz dens de
reguli, unde pentru orice observaie x X , exist o regul i activat: Ai ( x) > 0 .
Universul X este acoperit fuzzy, dac este obinut prin reuniunea suporturilor mulimilor
fuzzy Ai, adic
r
U S( Ai ) = X
(4.4)
i =1
Pentru o valoare 0< <1, acoperirea fuzzy a universului X se definete prin reuniunea unor
tieturi-, relaia (4.3). Se observ c ntotdeauna reuniunea nucleelor mulimilor fuzzy Ai este o
submulime a universului X:
r
U nucleu( Ai ) X
(4.5)
i =1
Inferena este astfel realizat, ca n cazul n care observaia din premiz este n nucleul
functiei de apartenen, atunci concluzia va fi ferm, iar n cazul n care observaia din premiz
este vag, atunci i concluzia va pstra i ea un caracter vag.
ntr-o baz dens de reguli numrul regulilor depinde de numrul mulimilor fuzzy care
sunt definite pe acel univers de discurs X. Astfel dac avem de-a face cu un numr mai mare de
mulimi fuzzy, baza de reguli va fi mai mare i de aici apar i unele inconveniente legate de
timpul de calcul, legate de complexitatea sistemului de inferen.
n mare msur, n practic, este destul de dificil a cunoate un sistem suficient de bine
astfel nct s avem de-a face cu baze dense de reguli i de aceea se lucreaz cu baze rare de
reguli fuzzy. Astfel, exist observaii x * X pentru care relaia (4.3) nu este verificat i anume
82

r
x U S( Ai )
*
(4.6)
i =1
Acele observatii x* nu activeaz nici o regul din cele r i spunem c baza de reguli conine
goluri. i n astfel de cazuri sistemul de inferen trebuie s nu se blocheze i astfel trebuie
gsite noi metode de determinare a unei concluzii atunci cnd apar observaii care nu activeaz
nici o regul din baza de reguli.
n figura 4.1 este dat o reprezentare grafic a regulii de forma: dac x este A1atunci y este
B1, pentru cazul cnd toate mulimile din baza de reguli au funcii de apartenen trapezoidale:
x
R1
DACA:
P4
a4
S(R1)
P3
a3
A1
nucleu(R1)
P2
a2
P1
a1
B1
1
ATUNCI:
b1
b2
b3
y
b4
Fig. 4.1 Reprezentarea regulii trepezoidale n spaiul X Y

Sunt puse n eviden att suportul regulii S(R1) determinat de punctele P1 i P4 ct i nucleul
regulii N(R1) determinat de punctele P2 i P3.
Reprezentarea grafic a relaiei (4.6) care definete o baz rar de reguli fuzzy este:
Fig. 4.2 Baz rar de reguli

83

Un univers de discurs este parial ordonat, dac oricare ar fi dou mulimi fuzzy convexe i
normale A i B, pentru orice tietur [0,1] este ndeplinit relaia:
inf{A } inf{B } si sup{A } sup{B } A p B.
(4.7)
ntr-un univers fuzzy parial ordonat se introduce noiunea de distan fuzzy pentru a putea
msura separat distanele pentru fiecare tietur-, [ 0 ,1 ] [Mastacan L., 2006]. Pentru a putea
reprezenta poziia relativ a dou tieturi-, A i B, se compar cele dou puncte extreme
(margini) ale hiper-intervalelor tieturilor-, distanele dintre punctele extreme fiind denumite
distane fuzzy inferioare respectiv distane fuzzy superioare.
Distana fuzzy inferioar este familia distanelor- fuzzy dintre valorile infimum ale
tietuirilor- ale dou mulimi fuzzy comparabile, pentru care
d inf ( A,B )( z ) =
/ d (inf{ A },inf{ B } )
(4.8)
[ 0 ,1 ]
n care z Z este variabila care reprezint posibilele valori ale distanei n universul X, iar
d(A,B) este de exemplu distana euclidian:
d ( A, B ) = ( ( A( x ) B( x ))2 dx )1 / 2
(4.9)
Distana fuzzy superioar este familia distanelor- fuzzy dintre valorile supremum ale
tietuirilor- ale dou mulimi fuzzy comparabile, pentru care
d sup ( A,B )( z ) =
/ d (sup{ A }, sup{ B } ) .
(4.10)
[ 0 ,1 ]
Cu ajutorul distanelor fuzzy inferioar i superioar se poate determina aproprierea dintre

dou mulimi fuzzy comparabile, cu suporturile separate n universul X.
Distana dintre dou mulimi fuzzy A i B, pentru orice tietur-, este zero, dac cele dou
mulimi fuzzy sunt identice i este maxim dac cele dou mulimi fuzzy sunt primul element
respectiv ultimul element (cele dou valori extreme) n universul X, parial ordonat prin .
4.2 Inferene n baze rare de reguli cu premize duble

n domeniul inferenei n baze rare de reguli fuzzy care au o singur premiz exist mai
multe metode dezvolate. O trecere n revist a acestor metode de tehnici pentru deducii n baze
84

rare de reguli fuzzy cu o singur premiz i o concluzie n condiiile unui univers de discurs
parial ordonat este fcut in lucrarea [Mastacan L., Olah I., Dosoftei C., 2002].
Pentru aplicaiile practice ale logicii fuzzy bazele de reguli sunt alctuite, n general, din
reguli fuzzy cu premize duble. Metodele de inferen fuzzy clasic nu pot fi utilizate dac bazele
de reguli conin goluri. n aceste cazuri trebuie dezvoltate metode noi de inferen, pentru
obinerea unor concluzii pe baza regulilor neactivate de observaiile care aparin acestor goluri.
Fie o baz rar de reguli fuzzy, parial ordonat, format din reguli de forma:
Rij : dac x este X i i y este Y j atunci z este Z ij
(4.11)
pentru care
i = 1,..., u; j = 1, .., u
X 1 p X 2 p ... p X u
Y1 p Y2 p ... p Yu
(4.12)
Se pune problema determinrii unei concluzii Z * atunci cnd observaiile X * i Y *

corespund unor "goluri" n baza de reguli, adic
S( X * ) I S( X i ) =
S( Y * ) I S( Y j ) =
(4.13)
Datorit ordonrii pariale a universurilor de discurs X i Y, observaiile X * i Y * pot fi

localizate, de exemplu
X i p X * p X i +1
Y j p Y * p Y j +1
(4.14)
Concluzia Z * trebuie determinat cu condiia (4.13) cnd observaiile X * i Y * nu

activeaz nici una din regulile (4.11) pe baza premizelor cunoscute X 1 , X 2 ,..., X n i Y1 ,Y2 ,...,Yn .
Se presupune c universurile de discurs X, Y i Z sunt mrginite, adic
a ,b X : X i X a X i b
c ,d Y : Y j Y
e , f Z : Z ij Z
85
c Yj d
e Z ij f
(4.15)

4.2.1 Inferene n baze rare de reguli fuzzy cu funcii de apartenen trapezoidale ale
premizelor
Se va dezvolta n continuare o metod de determinare a unei concluzii cnd observaiile
corespund unor goluri ntr-o baz rar de reguli fuzzy parial ordonat.
Baza rar de reguli fuzzy (4.11) pentru i=1,2 i j=1,2 este de forma:
R11: Dac x este X1 i y este Y1 atunci z este Z11
(4.16)
n universurile de discurs X i Y se definesc funcii de apartenen trapezoidale pentru

mulimile fuzzy X1, X2 din X i Y1, Y2 din Y.
Regulile fuzzy R11 R22 pot fi reprezentate n spaiul X Y Z conform figurii (4.3).
Mulimile fuzzy Z
ij
, i = 1,2; j = 1,2 sunt delimitate n spaiul X Y Z de punctele Aij,
Bij, Cij, Dij, Eij, Fij, Gij, Hij.
Yj
Zij
Eij
Fij
Hij
Gij
S sup{Yj}
S inf{Yj}
N inf{Yj}N sup{Yj}
x
S inf{Xi}
N inf{Xi}
Xi
Aij
Dij
N sup Xi}
S sup{Xi}
Bij
Cij
Fig. 4.3 Reprezentarea regulii trepezoidale n spaiul X Y Z

Suportul concluziei Zij are n spaiul X Y Z coordonatele:
86

Aij(Sinf{Xi}, Sinf{Yj},0),
Bij(Ssup{Xi}, Sinf{Yj},0),
Cij(Ssup{Xi}, Ssup{Yj},0)
Dij(Sinf{Xi}, Ssup{Yj},0)
(4.17)
Nucleul concluziei Zij are n spaiul X Y Z coordonatele:

Eij(Ninf{Xi}, Ninf{Yj},Zij)
Fij(Nsup{Xi}, Ninf{Yj}, Zij)
Gij(Nsup{Xi}, Nsup{Yj}, Zij)
Hij(Ninf{Xi}, Nsup{Yj}, Zij)
(4.18)
S presupunem c exist observaiile X* i Y* cu funcii de apartenen trapezoidale din

universurile ordonate de intrare X i Y, care nu activeaz nici o regul din baza de reguli, deci
corespund unor goluri.
Aceasta se ntmpl atunci cnd suporturile observaiilor X* i Y* nu intersecteaz suportul
nici unei premise cunoscute din universurile X respectiv Y:
S ( X *) I S ( X i ) =
S (Y *) I S (Y j ) =
(4.19)
i = 1,2; j = 1,2;
S presupunem c observaiile X* i Y* respect condiiile
X1 p X * p X 2
Y1 p Y * p Y2
(4.20)
n figura 4.4 este reprezentat metoda propus pentru determinarea unei concluzii n baza
rar de reguli fuzzy considerat, parial ordonat.
Trebuie determinat concluzia Z* ca rezultat al regulii:
R*: Dac x este X* i y este Y* atunci z este Z*
(4.21)
Concluzia Z* nu poate fi obinut prin inferena fuzzy clasic deoarece nu este activat nici
una din cele patru reguli R11, R12, R21, R22 din baza de reguli 4.16.
87

Z
E12
H12
F12
G12
y
Y1
E11
N inf {Y }
N inf {Y1}
N sup {Y1}
G11
F*
H
G
G1
Z4
F22
C11
G3
E21 H21
G22
B12
D*
N inf {X*} F21

G21
N sup{X*}
S sup{X*}
B*
Z2
Z3
C*
S inf {X2}
X2
A21
N inf {X2}
N sup{X2}
C22
S sup{X2}
B21
X
D22
A22
D21
B22
C21
Fig. 4.4 Raionament ntr-o baz rar de reguli fuzzy, parial ordonat
cu funcii de apartenen trapezoidale
88
D12
H22
E22
B11
A12
N sup{X1}
X*
S sup{Y2}
S inf{Y2}
G2
D11
A11
N inf {X1}
S inf {X*}
S sup{Y*}
S inf{Y*}
Z1
S inf {X1}
S sup{X1}
N inf {Y2}
N sup {Y2}
N sup{Y*}
S sup{Y1}
S inf {Y1}
Y2
H11
F11
X1
Y*
G4
C12

Se calculeaz distanele fuzzy superioare i distanele fuzzy inferioare n universurile de
intrare X i Y dintre suporturile i nucleele observaiilor X* i Y* i suporturile i nucleele
premizelor cunoscute X1 i X2 respectiv Y1 i Y2.
Din reprezentarea funciilor de apartenen trapezoidale de pe universurile premizelor
rezult distanele fuzzy superioare i distanele fuzzy inferioare pentru mulimile suport
(figura 4.5)
Sd sup { X * , X 2 } = S sup{ X 2 } S sup{ X * }

Sd sup { X * , X 1} = S sup{ X * } S sup{ X 1}
Sd inf { X * , X 2 } = S inf{ X 2 } S inf{ X * }
Sd inf { X * , X 1} = S inf{ X * } S inf{ X 1}
Sd sup {Y * , Y2 } = S sup{Y2 } S sup{Y * }
(4.22)
Sd sup {Y * , Y1} = S sup{Y * } S sup{Y1}

Sd inf {Y * , Y2 } = S inf{ X 2 } S inf{Y * }
Sd inf {Y * , Y1} = S inf{Y * } S inf{Y1}
i distanele fuzzy superioare i inferioare pentru mulimile nucleu (figura 4.5):
Ndsup{X * , X 2 } = N sup{X 2 } N sup{X *}

Ndsup{X * , X1} = xN sup{X *} N sup{X1}
Ndinf {X * , X 2 } = N inf{X 2 } N inf{X *}
Ndinf {X * , X1} = N inf{X *} N inf{X1}
Ndsup{Y * ,Y2 } = N sup{Y2 } N sup{Y *}
Ndsup{Y * ,Y1} = N sup{Y *} N sup{Y1}
Ndinf {Y * ,Y2 } = N inf{Y2 } N inf{Y *}
Ndinf {Y * ,Y1} = N inf{Y *} N inf{Y1}
89
(4.23)

Utiliznd distanele fuzzy superioare i inferioare dintre suporturile i nucleele
observaiilor X* i Y* i suporturile i nucleele premizelor cunoscute X1 i X2, respectiv Y1 i Y2
poate fi obinut concluzia Z* prin determinarea coordonatelor A*, B*, C* i D* ale suportului i
coordonatelor E*, F*, G* i H* ale nucleului acesteia n spaiul X Y Z .
Pentru nceput se determin suportul concluziei Z*, suport care este reprezentat de punctele
A*, B*, C* i D*.
Punctul Sinf{X*} se determin funcie de punctele inferioare ale suportului mulimilor X1
i X2 i distanele fuzzy corespunztoare fa de suportul inferior al observaiei X*.
Similar punctul Ssup{X*} se determin funcie de punctele superioare ale suportului
mulimilor X1 i X2 i distanele fuzzy corespunztoare fa de suportul superior al observaiei
X*.
x
N inf {X1} Nsup{X1}
*
Ninf{X*} Nsup{X }
X1
0
Sinf {X1}
N inf {X2} Nsup{X2}
X*
X2
X
Ssup{X1}
Sinf{X*}
Sdinf {X*, X1}
Ssup{X*}
Sinf {X2}
Ssup{X2}
Sdinf { X*, X2}

Sdsup { X*, X2}
Sdsup { X*, X1}

Ndinf { X*,X1}
Ndinf { X*, X2}

Ndsup { X*, X2}
Ndsup { X*, X1}
Fig. 4.5 Distanele fuzzy pe universul X

Din relaiile (4.22) rezult coordonatele suportului mulimii X*:
S inf{ X 1 } + S inf{ X 2 } Sd inf { X * , X 1 } Sd inf { X * , X 2 }
+
2
2
*
*
S sup{ X 1 } + S sup{ X 2 } Sd sup { X , X 1 } Sd sup { X , X 2 }
S sup{ X * } =
+
2
2
S inf{ X * } =
(4.24)
Pentru universul de discurs Y se obin din relaiile (4.22) coordonatele suportului mulimii
*
Y:
90
S inf{ Y1 } + S inf{ Y 2 } Sd inf {Y * , Y1 } Sd inf {Y * , Y 2 }

+
2
2
*
*
{
,
Sd
Y
Y
S sup{ Y1 } + S sup{ Y 2 }
sup
1 } Sd sup {Y , Y 2 }
S sup{ Y * } =
+
2
2
S inf{ Y * } =
(4.25)
Cu ajutorul relaiilor (4.24) i (4.25) avem determinat n planul X Y suportul concluziei Z*

prin punctele caracteristice:
A* (Sinf{X*}, Sinf{Y*}),
B* (Ssup{X*}, Sinf{Y*}),
C* (Ssup{X*}, Ssup{Y*})
D* (Sinf{X*}, Ssup{Y*})
(4.26)
Pentru obinerea nucleului concluziei Z*, n spaiul X Y Z se determin ecuaia dreptei
G11G21 pentru y= N sup{Y1 } =ct.
N sup{ X 2 } x
z ( N sup{ X 2 }, N sup{ Y1 }) z
=
N sup{ X 2 } N sup{ X 1 }
z ( N sup{ X 2 }, N sup{ Y1 }) z ( N sup{ X 1 }, N sup{ Y1 })
(4.27)
*
Pe aceast dreapt determinm punctul G1 de coordonate x= N sup{ X } , y= N sup{Y1}

z ( N sup{ X * }, N sup{ Y1 }) =
N sup{ X 2 } N sup{ X * }
z ( N sup{ X 1 }, N sup{ Y1 }) +
N sup{ X * } N sup{ X 1 }
z ( N sup{ X 2 }, N sup{ Y1 })
(4.28)
Analog pe dreapta G12G22 se obine punctul G2 de coordonate
z ( N sup{ X * }, N sup{ Y 2 }) =
x = N sup {Y1 } , y = N sup {Y 2 }:
N sup{ X 2 } N sup{ X * }
z ( N sup{ X 1 }, N sup{ Y 2 }) +
N sup{ X * } N sup{ X 1 }
z ( N sup{ X 2 }, N sup{ Y 2 })
(4.29)
Din ecuaia dreptei G1G2 pentru x = N sup {X * }i y = N sup {Y * } se obine punctul G* care este
un punct caracteristic al nucleului concluziei Z*:
91

z ( N sup{ X * }, N sup{ Y * }) =
N sup{ Y 2 } N sup{ Y * }
z ( N sup{ X * }, N sup{ Y1 }) +
N sup{ Y 2 } N sup{ Y1 }
N sup{ Y * } N sup{ Y1 }
z ( N sup{ X * }, N sup{ Y 2 })
N sup{ Y 2 } N sup{ Y1 }
(4.30)
Introducnd n relaia (4.30), relaiile (4.28) i (4.29) rezult:
z ( N sup{ X * }, N sup{ Y * }) =
N sup{ X 2 } N sup{ X * } N sup{ Y 2 } N sup{ Y * }

z ( N sup{ X 1 }, N sup{ Y1 })
N sup{ X 2 } N sup{ X 1 } N sup{ Y 2 } N sup{ Y1 }
N sup{ X * } N sup{ X 1 } N sup{ Y 2 } N sup{ Y * }

z ( N sup{ X 2 }, N sup{ Y1 })
N sup{ X 2 } N sup{ X * } N sup{ Y * } N sup{ Y1 }
z ( N sup{ X 1 }, N sup{ Y 2 })
N sup{ X * } N sup{ X 1 } N sup{ Y * } N sup{ Y1 }
z ( N sup{ X 2 }, N sup{ Y 2 })
(4.31)
Utiliznd distanele fuzzy ale nucleelor, definite n relaia (4.23), n calculul coordonatei
punctului G*= z ( N sup{ X * }, N sup{Y * }) , din relaia (4. 31) rezult:
z ( N sup{ X * }, N sup{Y * }) =
Nd sup { X * , X 2 }
Nd sup {Y * , Y2 }
z ( N sup{ X 1 }, N sup{Y1 }) +
Nd sup { X * , X 1 } + Nd sup { X * , X 2 } Nd sup {Y * , Y1 } + Nd sup {Y * , Y2 }
Nd sup { X * , X 1 }
Nd sup {Y * , Y2 }
Nd sup { X * , X 1 } + Nd sup { X * , X 2 } Nd sup {Y * , Y1 } + Nd sup {Y2 }

Nd sup { X * , X 2 }
z ( N sup{ X 2 }, N sup{Y1 })) +
Nd sup {Y * , Y1 }

Nd sup { X * , X 1 }
z ( N sup{ X 1 }, N sup{Y2 }) +
Nd sup {Y * , Y1 }
z ( N sup{ X 2 }, N sup{Y2 })
(4.32)
Dac se scoate factor comun produsul distanelor inferioare i superioare pentru fiecare univers
de discurs, se obine:
92

z( N sup{X * }, N sup{Y * }) =
1
Ndsup {X * , X 1}
1
Ndsup{X , X 1}
1
Ndsup{X , X 1}
Ndsup{X , X 2 }
+ 1
Ndsup{X , X 1}
+ 1
Ndsup{X , X 2 }
Ndsup{X , X 1}
+ 1
Ndsup{X , X 2 }
Ndsup{Y , Y }1
Ndsup{X , X 2 }
Ndsup{Y , Y1}
z( N sup{X 1}, N sup{Y1}) +

*
Ndsup{Y , Y2 }
+ 1
z( N sup{X 2 }, N sup{Y1}) +
*
Ndsup {Y , Y2 }
Ndsup {Y * , Y2 }
Ndsup{Y , Y1}
+ 1
Ndsup {Y * , Y1}
Ndsup {Y * , Y1}
Ndsup {X * , X 2 }
Ndsup {X * , X 1}
Ndsup {X * , X 2 }
1
1
+ 1
+ 1
z( N sup{X 1}, N sup{Y2 }) +

*
Ndsup {Y , Y2 }
Ndsup {Y * , Y2 }
Ndsup{Y , Y1}
+ 1
z( N sup{X 2 }, N sup{Y2 })
*
Ndsup {Y , Y2 }
(4.33)
Scond numitorul factor comun i comprimnd relaia (4.33) cu ajutorul indicilor, rezult
G * = z( N sup{X * }, N sup{Y * }) =
2
1
1
1
z( N sup{X }, N sup{Y })

k
l
*
*
2
2
Nd
{
X
,
X
}
Nd
{
Y
,
Y
}
k ,l =1
sup
sup
k
l
1
1
Nd {Y * , Y }
*
Nd
{
X
,
X
}
sup
i j =1
j
i =1 sup
(4.34)
Similar rezult:
E* = z( N inf{X *}, N inf{Y *}) =
2

1
1
z( N inf{X k }, N inf{Yl })

Nd {X * , X } Nd {Y * , Y }
2
,
1
=
k
l
inf
k
l
inf
1
1
Nd {X * , X } Nd {Y * , Y }
inf
i j =1
j
i=1 inf
(4.35)
93

F * = z(N sup{X *}, N inf{Y *}) =
2

1
1
1

*
Nd {Y * ,Y }z(N sup{X k }, N inf{Yl })
2
Nd
{
X
,
X
}
k
l
inf
1
1
k ,l =1 sup
*
*
i=1 Ndsup{X , X i } j=1 Ndinf {Y , Y j }
(4.36)
*
H = z(N inf{X }, N sup{Y }) =

2

1
1
z(N inf{X }, N sup{Y })

k
l
*
*
2
2
Nd
{
X
,
X
}
Nd
{
Y
,
Y
}
k ,l =1
k
l
inf
sup
1
1

Nd {X * , X } Nd {Y * , Y }
i j =1
j
sup
i=1 inf
(4.37)
Generaliznd relaiile 4.34 4.37, punctele caracteristice E*, F*, G*, H* ale nucleului
concluziei Z*, pot fi determinate cu relaia (4.38):
{ }
{ }
m
n
z( NX car
X * , NYcar
Y* ) =
2
1
1
1
k ,l =1 Nd m {X , X k } NdY n Yl
2
2
1
1
car
X car
*
*
i =1 Nd X m {X , X i } j =1 NdY n {Y , Y j }
car
car
m
n
z ( NX car {X k }, NYcar {Yl })
(4.38)
0
1
0
1
unde m {0,1} X car
= inf{ X }; X car
= sup{ X } i n {0,1} , Ycar
= inf{ Y }; Ycar
= sup{ Y } .
m
X car
Se introduc factorii de ponderare i
i Xj car definii prin inversele distanelor fuzzy
inferioare i superioare n universurile de intrare X i Y dintre nucleele observaiilor X* i Y* i

nucleele premizelor cunoscute X1 i X2 respectiv Y1 i Y2:
m
iX car =
n
Yj car '
Nd
Nd
m
X car
m
Y car
1
,
{ X *, X i}
1
,
{Y * , Y j }
94
i = 1, 2 ;
(4.39)
j = 1, 2

Cu relaiile (4.39) relaia (4.38) se poate scrie sub forma (4.40):
m
n
z ( NX car
{ X * }, NY car
{Y * }) =
m
2 X car
i
i =1
1
n
2 Ycar
j
i =1
m
n
{ X k }, NY car
{Yl })
kX car Ylcar z ( NX car
k ,l =1
(4.40)
0
1
0
1
n care: m {0,1} X car
= inf{ X }; X car
= sup{ X } i n {0,1} , Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Coordonatele n universurile de intrare X i Y ale proieciei punctelor caracteristice E*,

F*, G* i H* ale nucleului concluziei Z* pe planul X Y sunt obinute cu relaiile (4.41) i (4.42)
echivalente, respectiv, relaiilor (4.24) i (4.25) prin care sunt determinate coordonatele punctelor
caracteristice A*, B*, C* i D* ale suportului concluziei Z*:
N inf{ X 1 } + N inf{ X 2 } Nd inf { X * , X 1 } Nd inf { X * , X 2 }
+
2
2
*
*
Nd
X
X
{
,
N sup{ X 1 } + N sup{ X 2 }
sup
1 } Nd sup { X , X 2 }
N sup{ X * } =
+
2
2
N inf{ X * } =
N inf{ Y1 } + N inf{ Y 2 } Nd inf {Y * , Y1 } Nd inf {Y * , Y 2 }

+
2
2
*
*
N sup{ Y1 } + N sup{ Y 2 } Nd sup {Y , Y1 } Nd sup {Y , Y 2 }
*
.
N sup{ Y } =
+
2
2
(4.41)
N inf{ Y * } =
(4.42)
Relaiile (4.24), (4.25) i relaiile(4.41), (4.42) pot fi scrise sub forma relaiilor (4.47) i (4.48)
2
m
{X i }
SX car
m
SX car
{ X * } = i =1
Sd
m
X car
{ X * , X 1} Sd
m
X car
{X * , X 2 }
SYcarn {Yi }
n
{Y * } = i =1
SYcar
Sd
n
Ycar
{Y * , Y1} Sd
n
Ycar
{Y * , Y2 }
(4.47)
m
NX car
{X *} =
m
{X i }
NX car
i =1
Nd
m
X car
{ X * , X 1} Nd
m
X car
{X * , X 2 }
n
{Y * } =
NYcar
NYcarn {Yi }
i =1
Nd
n
Ycar
{Y * , Y1} Nd
2
95
n
Ycar
{Y * , Y2 }
(4.48)

0
1
0
1
= inf{ X }; X car
= sup{ X } i n {0,1} , Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Concluzia Z* este determinat cu relaiile (4.40), (4.47) i (4.48).

Dac se consider toate regulile fuzzy din baza rar de reguli parial ordonat
Rij : dac x este X i i y este Y j atunci z este Z ij ; (i = 1,..., u; j = 1, .., u),
(4.49)
n ipoteza c observaiile X * i Y * , care corespund unor "goluri" n baza de reguli, sunt

localizate conform relaiilor (4.50) i (4.51):
X 1 p X 2 p .. p X p p X * p X p +1 p ... p X u
(4.50)
Y1 p Y2 p .. p Yr p Y * p Yr +1 p ... p Yu ,
(4.51)
prin generalizarea relaiilor (4.40), (4.47) i (4.48) se obin pentru mrimile caracteristice ale
concluziei Z* relaiile finale (4.52), (4.53) i (4.54):
u
m
n
z(NXcar
{X *}, NYcar
{Y *}) =
m u
n
u Xcar
i Yjcar
i=1
j=1
i =1
m
{ X *} =
SX car
m
{X i }
SX car
2
u
n
SYcar
{Y * } =
j =1
m
car
{ X *} =
i =1
i = p +1
2
j =1
m
Ycar
{Y * , Y j }
SdYcarn {Y * ,Y j }
j = r +1
(4.53)
*
*
m
{ X i } Nd X m { X , X i } Nd X m { X , X i }
NX car
car
car
i = p +1
i =1
i =1
n
{Y * } =
NY car
*
*
Sd X car
m { X , X i } Sd X m { X , X i }
car
NX
(4.52)
Sd
+
k,l =1
SYcarn {Y j }
m
n
kXcar Ylcar z(NXcar
{X k }, NYcar
{Yl })
2
r
NY carn {Y j } Nd Ycarn {Y * , Y j }
j =1
j =1
j = r +1
96
Nd
n
Ycar
{Y * , Y j }
(4.54)

0
1
0
1
= inf{ X }; X car
= sup{ X } i n {0,1} , Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Concluzia Z * este unic determinat prin metoda prezentat deoarece pot fi calculate n
spaiul X Y Z valorile caracteristice ale coordonatelor A* , B* ,C * i D* ale suportului
concluziei i valorile caracteristice ale coordonatelor E* , F * ,G* i H * ale nucleului concluziei n
funcie de valorile caracteristice ale suporturilor i nucleelor premizelor X i i Y j din baza de
reguli fuzzy rar i de distanele fuzzy inferioare i superioare dintre suporturile i nucleele
observaiilor X * i Y * respectiv fa de suporturile i nucleele premizelor X i i Y j .
Concluzia Z * este obinut n ipoteza c observaiile X * i Y * aparin unor goluri din
universurile de intrare X, respectiv Y. Metoda propus de inferen fuzzy utilizeaz valorile
cunoscute ale concluziilor Z ij din baza de reguli fuzzy rar, ponderate prin inversele distanelor
fuzzy inferioare i superioare dintre nucleele observaiilor X * i Y * i nucleele premizelor
cunoscute X i respectiv Y j .
4.2.2 Inferene n baze rare de reguli fuzzy cu funcii de apartenen triunghiulare ale
premizelor
Se prezint n continuare o metod de determinare a unei concluzii cnd observaiile

corespund unor goluri ntr-o baz rar de reguli fuzzy parial ordonat atunci cnd n universurile
de intrare X i Y premizele au funcii de apartenen triunghiulare.
Se consider o baz rar de reguli fuzzy alctuit din patru reguli de forma:
(4.55)
Regulile fuzzy R11 R22 pot fi reprezentate n spaiul X Y Z conform figurii (4.6).
Mulimile fuzzy ale concluziilor Z ij , i=1, 2 i j=1, 2, sunt delimitate n spaiul X Y Z de
punctele Aij, Bij, Cij, Dij, Vij.
S presupunem c exist observaiile X* i Y* cu funcii de apartenen triunghiulare din
universurile ordonate de intrare X respectiv Y, care nu activeaz nici o regul din baza de reguli
(4.55), deci corespund unor goluri din baza de reguli:
S( X *) I S( X i ) =
S(Y *) I S(Y j ) =
i = 1, 2; j = 1, 2;
97

X1 p X * p X 2
(4.56)
Y1 p Y * p Y2
n figura 4.6 este reprezentat metoda propus pentru determinarea unei concluzii n baza
rar de reguli fuzzy considerat, parial ordonat n condiiile menionate.
Z
V12
T
y
V11
Vf{Y1}
Sinf{Y1}
V*
Vf {X1}
Ssup{X1}
Vf{Y }
D11
Sinf{Y2}
B12
B11
Ssup{Y2}
C11
D12
A12
A11
V21
Sinf {X*}
Vf {X*}
D*
C12
V22
Ssup{X*}
B*
A2
Sinf {X2}
Sinf {X1}
X2
Ssup{Y*}
X*
Y2
Vf{Y2}
Sinf{Y*}
Ssup{Y1}
X1
Y*
Y1
C*
D22
A22
D21
Vf {X2}
Ssup{X2}
B21
C21
B22
C22
Fig. 4.6 Raionament ntr-o baz rar de reguli fuzzy, parial ordonat
cu funcii de apartenen triunghiulare
Concluzia Z* nu poate fi obinut prin inferena fuzzy clasic deoarece nu este activat nici
una din cele patru reguli R11, R12, R21, R22 din baza de reguli 4.55.
Suportul concluziei Z* este determinat de punctele caracteristice A*, B*, C* i D*. Poziia
punctelor caracteristice A*, B*, C* i D* n planul X Y se determin n funcie de valorile
punctelor caracteristice ale suporturilor premizelor X 1 , X 2 i Y1 , Y2 din universurile de intrare X
98

respectiv Y i de distanele fuzzy inferioare i superioare dintre acestea i suporturile
observaiilor X* i Y* calculate conform figurii 4.7.
Vf{X*}
Vf{X1}
X1
0
Sinf {X1}
Vf{X2}
X*
*
Ssup{X1} Sinf{X }
X2
Ssup{X*}
Ssup{X2}
Sinf {X2}
Sdinf {X*, X2}
Sdinf {X*, X1}
Sdsup {X*, X2}
Sdsup {X*, X1}

Vfd{X*, X1}
Vfd{X*, X2}
Fig. 4.7 Distane fuzzy n universul de intrare X

Valorile punctelor caracteristice A*, B*, C* i D* n planul X Y se calculeaz cu relaiile
(4.47) obinute n paragraful 4.2.1.
Pentru determinarea n spaiul X Y Z a valorilor mrimilor caracteristice ale vrfului
concluziei Z*, Vf {Z *} = V * , se utilizeaz noiunea de distan fuzzy dintre valorile de vrf.
Distana fuzzy dintre valorile de vrf ale dou mulimi fuzzy comparabile, A p B , cu
funcii de apartenen triunghiulare, este distana dintre coordonatele punctelor caracteristice ale
valorilor de vrf ale celor dou mulimi fuzzy, pentru care
Vfd { A, B } = Vf { A } Vf { B }
Vfd { A ,B } = 1
(4.57)
Mrimile caracteristice n planul X Y ale vrfului concluziei Z*, Vf { X *} Vf {Y *} , se
calculeaz cu relaiile:
Vf { X * } =
Vf { X 1 } + Vf { X 2 } Vfd { X * , X 1 } Vfd { X * , X 2 }
+
2
2
99

Vf { Y * } =
Vf { Y1 } + Vf { Y 2 } Vfd { Y * ,Y1 } Vfd { Y * ,Y 2 } .

+
2
2
(4.58)
Valoarea vrfului concluziei Z*, Vf {Z *} = V * , n spaiul X Y Z se determin n funcie

de valorile concluziilor cunoscute Z ij , i=1, 2 i j=1, 2, i n funcie de valorile distanelor fuzzy
dintre valorile de vrf ale observaiilor X * i Y * i valorile de vrf ale premizelor din baza de
reguli fuzzy X 1 i X 2 , respectiv Y1 i Y2 . Calculele sunt prezentate n continuare.
Se determin ecuaia dreptei V11V21:
Vf { X 2 } x
z(Vf { X 2 } ,Vf {Y1 } ) z
=
Vf { X 2 } Vf { X 1 } z(Vf { X 2 },Vf {Y1 } ) z(Vf { X 1 },Vf {Y1 } )
(4.59)
Pe dreapta V11V21 se determin punctul P:

P = z(Vf { X * } ,Vf {Y1 } ) =
Vf { X 2 } Vf { X * }
z(Vf { X 1 } ,Vf {Y1 } ) +
Vf { X 2 } Vf { X 1 }
Vf { X * } Vf { X 1 }
z(Vf { X 2 } ,Vf {Y1 } )
Vf { X 2 } Vf { X 1 }
(4.60)
Analog pe dreapta V12V22 se determin punctului S:

S = z (Vf { X * }, Vf {Y 2 }) =
Vf { X 2 } Vf { X * }
z (Vf { X 1 }, Vf {Y 2 }) +
Vf { X 2 } Vf { X 1 }
Vf { X * } Vf { X 1 }
z (Vf { X 2 }, Vf {Y 2 })
Vf { X 2 } Vf { X 1 }
(4.61)
Din ecuaia dreptei PS pentru x = Vf { X * } i y = Vf { Y * } se obine punctul Vf {Z *} = V *

care reprezint valoarea de vrf a concluziei Z * :
V
= Vf { Z * } = z (Vf { X * }, Vf { Y * }) =
Vf { Y 2 } vf { Y * }
z (Vf { X * }, Vf { Y1 }) +
Vf { Y 2 } Vf { Y1 }
Vf { Y * } vf { Y 1 }
z (Vf { X * }, Vf { Y 2 })
Vf { Y 2 } Vf { Y 1 }
(4.62)
Introducnd n relaia (4.62), relaiile (4.60) i (4.61), rezult:
100

Vf { X 2 } vf { X * } Vf {Y 2 } Vf {Y * }
z (Vf { X 1 }, Vf {Y1 })
Vf { X 2 } Vf { X 1 } Vf {Y 2 } Vf {Y1 }
z (Vf { X * }, Vf {Y * }) =
Vf { X * } vf { X 1 } Vf {Y 2 } Vf {Y * }
z (Vf { X 2 }, Vf {Y1 })
Vf { X 2 } Vf { X 1 } Vf {Y 2 } Vf {Y1 }
(4.63)
*
*
Vf { X 2 } vf { X } Vf {Y } Vf {Y 2 }
z (Vf { X 1 }, Vf {Y 2 })
+
Vf { X 2 } Vf { X 1 } Vf {Y 2 } Vf {Y1 }
Vf { X * } vf { X 1 } Vf {Y * } Vf {Y 2 }
z (Vf { X 2 }, Vf {Y 2 })
Vf { X 2 } Vf { X 1 } Vf {Y 2 } Vf {Y1 }
Dac introducem n relaia (4.63) distanele fuzzy dintre valorile de vrf ale observaiilor
X * i Y * i valorile de vrf ale premizelor din baza de reguli fuzzy X 1 i X 2 , respectiv Y1 i

Y2 , conform figurii (4.5), se obine relaia:
z (Vf { X * }, Vf {Y * }) =
Vfd { X * , X 2 }
Vfd {Y * , Y2 }
Vfd { X * , X 1 } + Vfd { X * , X 2 } Vfd {Y * , Y1 } + Vfd {Y * , Y2 }

+
+
+
Vfd { X * , X 1 }
z (Vf { X 1 }, Vf {Y1 })
Vfd {Y * , Y2 }

Vfd { X * , X 2 }
*
Vfd {Y * , Y1 }
Vfd { X , X 1 } + Vfd { X , X 2 } Vfd {Y , Y1 } + Vfd {Y , Y2 }

Vfd { X * , X 1 }
z (Vf { X 2 }, Vf {Y1 })
z (Vf { X 1 }, Vf {Y2 }) (4.64)
Vfd {Y * , Y1 }
z (Vf { X 2 }, Vf {Y2 })
Scoand factor comun produsul distanelor inferioare i superioare pentru fiecare univers de
discurs, relaia (4.64) devine:
101

z (Vf { X * }, Vf {Y * }) =
1
1
Vfd { X * , X 1 }
Vfd {Y * , Y1 }
z (Vf { X 1 }, Vf {Y1 })
1
1
+ 1
+ 1
*
*
*
*
Vfd { X , X 1 }
Vfd { X , X 2 }
Vfd {Y , Y1 }
Vfd {Y , Y 2 }
1
1
Vfd { X * , X 2 }
Vfd {Y * , Y1 }
+
z (Vf { X 2 }, Vf {Y1 })
1
1
+ 1
+ 1
*
*
*
*
Vfd { X , X 1 }
Vfd { X , X 2 }
Vfd {Y , Y1 }
Vfd {Y , Y 2 }
1
1
Vfd { X * , X 1 }
Vfd {Y * , Y 2 }
+
z (Vf { X 1 }, Vf {Y 2 })
1
1
1
1
+
+
Vfd { X * , X 1 }
Vfd { X * , X 2 }
Vfd {Y * , Y1 }
Vfd {Y * , Y 2 }
1
1
Vfd { X * , X 2 }
Vfd {Y * , Y 2 }
+
z (Vf { X 2 }, Vf {Y 2 })
1
1
+ 1
+ 1
*
*
*
*
Vfd { X , X 1 }
Vfd { X , X 2 }
Vfd {Y , Y1 }
Vfd {Y , Y 2 }
(4.65)
Dac se scoate numitorul factor comun i se comprim relaia (4.65) cu ajutorul indicilor rezult:
z (Vf { X * }, Vf {Y * }) =
1
2
2
1
1
Vfd{ X * , X } Vfd{Y * , Y }
i j =1
j
i =1
Vfd{ X * , X
k ,l =1
z (Vf { X k }, Vf {Yl })
Vfd{Y * , Y }
}
k
l
(4.66)
Se introduc factorii de ponderare i i j definii prin inversele distanelor fuzzy dintre
valorile de vrf ale observaiilor X * i Y * i valorile de vrf ale premizelor din baza de reguli
fuzzy X 1 i X 2 , respectiv Y1 i Y2 :
i =
1
,
Vfd { X * , X i }
1
=
,
Vfd {Y * , Y j }
i = 1, 2
(4.67)
j = 1, 2

102
z (Vf { X * }, Vf {Y * }) =
1
2
j =1
i =1
2
[( k ) ( l ) z (Vf { X k }, Vf {Y l })]
(4.68)
k , l =1
Relaiile (4.58) pentru calculul mrimilor caracteristice n planul X Y ale vrfului

concluziei Z*, Vf { X *} Vf {Y *} , pot fi scrise sub forma relaiilor (4.69):
2
Vf { X * } =
Vf { X i }
i =1
Vfd { X * , X 1 } Vfd { X * , X 2 }
2
Vf { Y } =
Vf { Y j }
j =1
Vfd { Y * ,Y1 } Vfd { Y * ,Y2 }

+
2
(4.69)
Punctele caracteristice A*, B*, C* i D* ale suportului concluziei Z* n planul X Y se

determin cu relaia (4.70) similar relaiei (4.47) din paragraful 4.2.1.
2
m
{X *} =
SX car
m
{X i }
SX car
i =1
Sd
m
X car
{ X * , X 1} Sd
m
X car
{X * , X 2 }
SYcarm {Yi }
m
{Y *} = i =1
SYcar
Sd
m
Ycar
{Y * , Y1} Sd
m
Ycar
{Y * , Y2 }
(4.70)
0
1
0
1
n care: m {0,1} ; X car
= inf{ X }; X car
= sup{ X }; i Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Concluzia Z* este determinat cu relaiile (4.68), (4.69) i (4.70).

Rij : dac x este X i i y este Y j atunci z este Z ij ; (i = 1,..., n; j = 1, .., n),
(4.71)

localizate conform relaiilor (4.72) i (4.73):
X
p X
p .. p X
p X
p X
s+1
103
p ... p X
(4.72)

Y 1 p Y 2 p .. p Y t p Y
p Y t + 1 p ... p Y n ,
(4.73)
prin generalizarea relaiilor (4.68), (4.69) i (4.70) se obin pentru mrimile caracteristice ale
concluziei Z* relaiile finale (4.74), (4.75) i (4.76):
1
z (Vf { X * }, Vf {Y * }) =
n
i
i =1
n
j
j =1
Vf { X * } =
[( k ) ( l ) z (Vf { X k }, Vf {Yl })]
k , l =1
(4.74)
i =1
i = s +1
Vf { X i } Vfd { X * , X i } Vfd { X * , X 2 }
i =1
j =1
j = t +1
Vf {Y j } Vfd {Y * , Y j } Vfd {Y * , Y j }
Vf {Y * } =
SX
m
car
{X *} =
SX
i =1
m
car
j =1
Sd
i =1
m
X car
{X *, X i}
Sd
i = s +1
m
X car
{X *, X i}
2
t
m
{Y j }
SY car
(4.75)
{X i}
2
n
m
{Y * } =
SY car
j =1
j =1
Sd
m
Y car
{Y * , Y j }
j = t +1
Sd
m
Y car
{Y * , Y j }
(4.76)
0
1
0
1
unde m {0,1} i X car
= inf{ X }; X car
= sup{ X }; Y car
= inf{ Y }; Y car
= sup{ Y }
spaiul X Y Z valorile caracteristice ale coordonatelor A* , B* ,C * i D* ale suportului
concluziei precum i mrimea caracteristic V * = Vf { Z * } a valorii de vrf a concluziei.
Suportul A* B* C* D* al concluziei Z * este obinut n funcie de valorile caracteristice ale
suporturilor premizelor X i i Y j din baza de reguli fuzzy rar i de distanele fuzzy inferioare i
superioare dintre suporturile observaiilor X * i Y * i suporturile premizelor X i respectiv Y j .
Pentru calculul valorii de vrf V * = Vf { Z * } a concluziei Z * , metoda propus de
inferen fuzzy utilizeaz valorile cunoscute ale concluziilor Z ij = Vij = Vf { Z ij } din baza de date
rar ponderate prin inversele distanelor fuzzy dintre valorile de vrf ale observaiilor X * i Y *
i valorile de vrf ale premizelor cunoscute X i i Y j .
104

4.2.3 Inferene n baze rare de reguli fuzzy cu funcii de apartenen triunghiulare i
trapezoidale ale premizelor
Metoda de determinare a unei concluzii cnd observaiile corespund unor goluri ntr-o
baz rar de reguli fuzzy parial ordonat poate fi utilizat i n cazul cnd n universurile de intrare
X i Y premizele X i i Y j .i observaiile X* i Y* au funcii de apartenen diferite, triunghiulare i
trapezoidale. Pentru justificarea acest caz se consider baza rar de reguli fuzzy (4.77) alctuit din
patru reguli de forma:
(4.77)
Regulile fuzzy R11 R22 sunt reprezentate n spaiul X Y Z conform figurii (4.8).
Se observ c premiza X 1 are funcie de apartenen triunghiular, premiza X 2 are funcie
de apartenen trapezoidal, premiza Y1 are funcie de apartenen trapezoidal i premiza Y2 are
funcie de apartenen triunghiular.
Mulimile fuzzy ale concluziilor Z ij au suporturile delimitate n planul X Y de punctele
Aij, Bij, Cij i Dij.
Pentru nucleele concluziilor Z ij pot fi obinute n spaiul X Y Z urmtoarele trei situaii:
- Dac premizele X i i Y j au ambele funcii de apartenen trapezoidale atunci concluziile

Z ij au nucleele delimitate de punctele Eij, Fij, Gij i Hij;
- Dac premizele X i i Y j au funcii de apartenen triunghiular i trapezoidal (sau

trapezoidal i triunghiular) atunci concluziile Z ij au nucleele delimitate de punctele Eij, Gij;
- Dac premizele X i i Y j au ambele funcii de apartenen triunghiulare atunci
concluziile Z ij au nucleele delimitate de valorile de vrf Vij.
S presupunem c exist n universurile ordonate de intrare X i Y observaiile X* i Y*, cu
funcii de apartenen triunghiular respectiv trapezoidal, care nu activeaz nici o regul din baza
de reguli (4.77), deci corespund unor goluri din baza de reguli:
S( X *) I S( X i ) =
S(Y *) I S(Y j ) =
i = 1, 2; j = 1, 2;
X1 p X * p X 2
(4.78)
Y1 p Y * p Y2
105

Z
V12
G4
Y1
E11 G11
N inf {Y*}
N
N inf {Y1}
N
S sup {Y1} S inf {Y }

G2
S sup {Y*}
S inf {Y2}
*
E* G
S inf {X1}
G1
Vf { X1}
X1
Vf { Y2}
sup
*
S inf {Y1}
Y2
Y*
S sup {Y2}
Z12
Z1
D11
A11
D12
A12
E22
S sup {X1}
B11
*
S inf {X }
X*
Vf { X*}
F21
A*
C12
D*
G21
Z21
Z22
D21
A21
N inf {X2}
B12
G3
S sup {X }
X2
C11
E21 H21
S inf {X2}
G22
D22
A22
N sup {X2}
S sup {X2}
X
B21
C21
B22
C22
Fig. 4.8 Raionament ntr-o baz rar de reguli fuzzy, parial ordonat cu
funcii de apartenen triunghiulare i trapezoidale ale premizelor
Concluzia Z * este caracterizat n spaiul X Y Z de punctele caracteristice A*, B*, C*,
D* ale suportului, i de punctele caracteristice E*, G* ale nucleului.
n planul X Y
coordonatele A*, B*, C*, D*, ale punctelor caracteristice suportului
concluziei Z * se determin cu relaia (4.79) similar relaiilor (4.47) din paragraful 4.2.1. i
relaiei (4.70) din paragraful 4.2.2.
106

2
m
{X i }
SX car
m
SX car
{ X * } = i =1
Sd
m
X car
{ X * , X 1} Sd
m
X car
{X * , X 2 }
m
SYcar
{Y * } =
SYcarm {Yi }
i =1
Sd
m
Ycar
{Y * , Y1} Sd
m
Ycar
{Y * , Y2 }
(4.79)
0
1
0
1
n care: m {0,1} ; X car
= inf{ X }; X car
= sup{ X }; i Ycar
= inf{ Y }; Ycar
= sup{ Y } .
n spaiul X Y Z punctul caracteristic G* al nucleului concluziei Z * se determin cu

relaia (4.80) similar relaiei (4.34), iar punctul caracteristic E* cu relaia (4.81) similar relaiei
(4.35).
G* = z(N sup{X *}, N sup{Y *}) =
2
1
1
1
z(N sup{X }, N sup{Y }) (4.80)

k
l
*
*
2
2
Nd
{
X
,
X
}
Nd
{
Y
,
Y
}
sup
k
l
1
1
k,l =1 sup
*
*
i=1 Ndsup{X , X i } j =1 Ndsup{Y , Y j }
E* = z(N inf{X*}, N inf{Y*}) =

2
1
1
z(N inf{Xk }, N inf{Yl})

*
*
k,l =1 Ndinf{X , Xk} Ndinf{Y , Yl }

2
2
1
1
Nd {X*, X } Nd {Y*, Y }
i
1
j
1
=
=
inf
i
inf
j
(4.81)
Generaliznd relaiile (4.80) i (4.81), punctele caracteristice G* i E* ale nucleului

concluziei Z*, pot fi determinate cu relaia (4.82):
{ }
{ }
m
m
z( NX car
X * , NYcar
Y* ) =
2
1
1
1

Nd Y
*
2
2
k ,l =1 Nd m {X , X k } Y m l

1
1
car
X car
*
*
i =1 Nd X m {X , X i } j =1 NdY m {Y , Y j }
car
car
m
m
z ( NX car {X k }, NYcar {Yl })
(4.82)
0
1
0
1
unde m {0,1} i X car
= inf{ X }; X car
= sup{ X }; Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Se introduc factorii de ponderare iX car i Yjcar definii prin inversele distanelor fuzzy
inferioare i superioare n universurile de intrare X i Y dintre nucleele observaiilor X* i Y* i
nucleele premizelor cunoscute X1 i X2 respectiv Y1 i Y2:
107

m
iX car =
m
Yjcar '
Nd
Nd
m
X car
m
Y car
1
,
{X *, X i}
1
,
{Y * , Y j }
i = 1, 2 ;
(4.83)
j = 1, 2

m
m
z ( NX car
{ X * }, NY car
{Y * }) =
m
2 X car
i
i =1
1
m
2 Ycar
j
i =1
m
m
{ X k }, NY car
{Yl })
kX car Ylcar z ( NX car
k ,l =1
(4.84)
0
1
0
1
n care: m {0,1} i X car
= inf{ X }; X car
= sup{ X }; Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Coordonatele n universurile de intrare X i Y ale proieciei punctelor caracteristice E*, i

G* ale nucleului concluziei Z* pe planul X Y sunt obinute cu relaiile (4.85) i (4.86):
*
*
Vf { X 1 } + N sup{ X 2 } Vfd sup { X , X 1 } Nd sup { X , X 2 }
+
Vf { X } =
2
2
*
(4.85)
NYcarm {Yi }
m
{Y * } = i =1
NYcar
Nd
m
Ycar
{Y * , Y1} Nd
2
m
Ycar
{Y * , Y2 }
(4.86)
0
1
0
1
= inf{ X }; X car
= sup{ X }; Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Concluzia Z* este determinat cu relaiile (4.79), (4.84), (4.85) i (4.86).

Rij : dac x este X i i y este Y j atunci z este Z ij ; (i = 1,..., n; j = 1, .., n),
(4.87)

localizate conform relaiilor (4.88):
X 1 p X 2 p .. p X p p X * p X p+1 p ... p X n
Y1 p Y2 p .. p Yr p Y * p Yr +1 p ... p Yn ,
108
(4.88)

prin generalizarea relaiilor (4.79), (4.84), (4.85) i (4.86) se obin pentru mrimile caracteristice
ale concluziei Z* relaiile finale (4.89), (4.90), (4.91) i (4.92):
p
m
{X i }
SX car
i =1
m
{X *} =
SX car
Sd
j =1
m
m
z(NXcar
{X *}, NYcar
{Y *}) =
Sd
Vf { X * } =
j =1
i =1
i = p +1
Sd
j = r +1
m
Ycar
{Y * , Y j }
(4.89)
k,l =1
(4.90)
Nd sup { X * , X i }
i =1
Nd sup { X * , X i }
i = p +1
(4.91)
2
r
{X * , X i }
NYcarm {Y j } Nd Ycarm {Y * , Y j }
j =1
m
X car
m
m
kXcar Ylcar z(NXcar
{X k }, NYcar
{Yl })
Sd
m
NYcar
{Y * } =
m
Ycar
m n
m
n Xcar
i Yjcar
i=1
j=1
N sup{ X i }
{Y * , Y j }
2
r
SYcarm {Y j }
m
SYcar
{Y * } =
i =1
m
X car
{X * , X i }
j =1
j = r +1
Nd
m
Ycar
{Y * , Y j }
(4.92)
0
1
0
1
= inf{ X }; X car
= sup{ X }; Ycar
= inf{ Y }; Ycar
= sup{ Y } .
Concluzia Z * este obinut n ipoteza c observaiile X * i Y * aparin unor goluri din

universurile de intrare X, respectiv Y. n universurile de intrare X i Y, premizele X i , Y j .i
observaiile X*, Y* au funcii de apartenen diferite, triunghiulare i trapezoidale.
spaiul X Y Z valorile caracteristice ale coordonatelor A* , B* ,C* , D* ale suportului concluziei
i valorile caracteristice ale coordonatelor E* i G* ale nucleului concluziei n funcie de valorile
caracteristice ale suporturilor i nucleelor premizelor X i i Y j din baza de reguli fuzzy rar i de
distanele fuzzy inferioare i superioare dintre suporturile i nucleele observaiilor X * i
Y * respectiv fa de suporturile i nucleele premizelor X i i Y j .
Metoda propus de inferen fuzzy utilizeaz valorile cunoscute ale concluziilor Z ij din
baza de reguli fuzzy rar, ponderate prin inversele distanelor fuzzy inferioare i superioare
dintre nucleele observaiilor X * i Y * i nucleele premizelor cunoscute X i respectiv Y j .
109

4.2.4 Inferene n baze de reguli reprezentate sub forma tabelelor de decizie de tip
Mamdani
Metodele prezentate pentru determinarea unor concluzii, dac observaiile aparin unor
goluri n bazele rare de reguli fuzzy, pot fi utilizate atunci cnd se utilizeaz logica fuzzy pentru
conducerea unor procese industriale.
Majoritatea regulatoarelor cu logic fuzzy genereaz o dependen static tridimensional a
mrimii de comand u n funcie de dou mrimi de intrare, e- eroarea de reglare i e - variaia
erorii de reglare:
u = U ( e ,e )
(4.93)
Dac se utilizeaz un regulator fuzzy cu tabel de decizie de tip Mamdani, atunci baza de
reguli fuzzy a regulatorului, poate fi considerat baz rar de reguli fuzzy, de forma:
Rkl : dac x este xk i y este Yl atunci z este Z kl ; (k = 1,..., n; l = 1, .., n), (4.94)
Tabelul de decizie de tip Mamdani este alctuit dintr-un numr finit de valori ale mrimii
de comand u care pot fi obinute n funcie de un numr finit de combinaii ale mrimilor de
intrare e e .
Practic un tabel de decizie Mamdani poate fi echivalat cu o baza rar de reguli fuzzy n
care funciile de apartenen ale mrimilor de intrare, x=e i y = e , i funcia de apartenen a
concluziei (mrimea de comand) z=u, sunt de tip singleton. n acest caz, universurile de discurs
ale mrimilor de intrare, X=E i Y = E , i universul de discurs al concluziei (mrimea de
comand) Z=U, sunt cuantizate fiecare ntr-un numr finit de valori, cel mai frecvent aprnd
cuantizarea universului de discurs ntr-un numr impar de valori, centrate n jurul valorii 0.
n tabelul 4.1 se prezint un exemplu de discretizare uniform, n 11 nivele de cuantizare
ale celor dou mrimi de intrare e i e , i a mrimii de comand u.
Plecnd de la valorile mrimilor de intrare, de tip singleton, se creaz o baz de reguli sub
forma unui tabel de decizie, de tip Mamdani figura 4.9. Dimensiunea tabelului de decizie va fi,
pentru exemplul considerat, de 11 11 [linii coloane], iar n fiecare celul a tabelului este
trecut valoarea mrimii de comand corespunztoare.
110

Tabelul 4.1 Cuantizarea universurilor mrimilor de intrare e, e i a mrimii de comand u
Y
X
-10
X=E
Y = E
Z=U
-10
-5
-1
-8
-4
-0.8
-6
-3
-0.6
-4
-2
-0.4
-2
-1
-0.2
0.2
0.4
0.6
10
0.8
11
10
-5
-4
-3
-2
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-8
-0.6 -0.6 -0.6 -0.4 -0.2
-0.2 -0.4 -0.6 -0. 6 -0.6
-6
-0.4 -0.4 -0.4 -0.4 -0.2
-0.2 -0.4 -0.2
-4
-0.4 -0.4 -0.2 -0.2
-2
-0.4 -0.2 -0.2
-0.2
-0.2
-0.4
-0.4
-0.2
-0.4
-0.4
-0.2 -0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.4
0.4
0.2
0.2
0.2
0.2
0.4
0.4
0.6
0.6
0.4
0.4
0.2
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.6
0.4
0.4
0.4
0.4
0.4
0.4
0.4
0.6
0.8
10
0.8
0.8
0.6
0.8
0.8
Fig. 4.9 Tabel de decizie Mamdani
111

Dac xi , i= 1, 2, ..., n i y j , j= 1, 2, ..., n, sunt valorile cuantizate ale mrimilor de intrare,
pentru toate observaiile x* y* cu x* xi i y* y j , care aparin unor goluri din baza de
reguli (tabelul de decizie Mamdani), mrimea de ieire este nedeterminat.
S presupunem c avem intrarile x*i y* din universurile de intrare, care ndeplinesc
relaiile:
xi < x* < xi +1
(4.95)
y j < y* < y j +1
n figura 4.10 este prezentat tabelul de decizie Mamdani n spaiul X Y Z .
Z
Vi,j
T
P
Vi,j+1
V*
S
Vi+1,j
R
Vi+1,j+1
zi,j*1
*
yj y
y2
y1
yj+1
yn-1
yn
x1
x2
xi
zi+1,n
x*
B
xi+1
zn,n
xn-1
xn
X
Fig. 4.10 Tabel de decizie Mamdani n spaiul X Y Z
112

n baza de reguli fuzzy a regulatorului (4.94), intrarile x*i y* aparin golurilor dintre
premizele urmtoarelor reguli:
Rij : dac x este xi i y este Y j atunci z este Z ij

Ri, j + 1 : dac x este xi i y este Y j +1 atunci z este Z i , j + 1
Ri + 1, j : dac x este xi + 1 i y este Y j atunci z este Z i + 1, j
Ri + 1, j + 1 : dac x este xi + 1 i y este Y j + 1 atunci z este Z i + 1, j + 1
(4.96)
Prin metoda propus se obine pentru mrimea de comand z*, o valoare dependent de
valorile cunoscute din tabelul de decizie Mamdani ale mrimilor de comand: zi,j, zi,j+1, zi+1,j,
zi+1,j+1.
n figura 4.10 segmentele de dreapt [AVi,j], [BVi+1,j], [CVi+1, j+1], [DVi,j+1 ] sunt valorile
mrimilor de comand, respectiv: zi,j, zi+1,j, zi,j+1 i zi+1,j+1, valori cunoscute n tabelul de decizie
Mamdani.
Folosind acelai parcurs ca n paragraful 4.2.2, pentru calcularea valorii de vrf a
concluziei, se determin coordonata punctului P, plecnd de la ecuaia dreptei Vi,jVi+1,j .
P : z(x
x i+1 x *
z i,
x i+1 x i
) =
x* xi
z i+1,
x i+1 x i
(4.97)
Analog se determin punctului S, plecnd de la ecuaia dreptei Vi+1,j+1Vi,j+1 .

S : z(x
j+1
x i+1 x *
z i,
x i+1 x i
) =
j+1
x* xi
z i+1,
x i+1 x i
(4.98)
j+1
Dreapta care unete punctele P i S se obine pentru x=x*, iar din ecuaia acestei drepte se
dermin punctul V*:
V
= z
= z( x
,y
) =
y
y
j+1
j+1
y*
z( x* , y
j
)+
y* yi
y j+1 y
z( x* , y
j+1
) (4.99)
Introducnd n relaia (4.99) relaiile (4.97) i (4.98), se obine n spaiul X Y Z

coordonata punctului V * = z* funcie de zi,j, zi+1,j, zi,j+1 i zi+1,j+1, adic, valoarea mrimii de
comand a regulatorului fuzzy corespunztoare observaiei (x*, y*):
113
= z
= z( x
,y
xi+1 x* y
) =
xi+1 xi y
j+1
y*
j+1
*
xi+1 x* y y j
xi+1 xi y j+1 y
x* xi y
xi+1 xi y
zi,j+1 +
j
j+1
y*
j+1
y* y j
x* xi
xi+1 xi y j+1 y
zi,j +
(4.100)
z i+1, j +
z i+1, j+1
j
Dac dintr-un tabel de decizie Mamdani mrimea de comand a regulatorului fuzzy poate
lua doar n valori distincte n universul de discurs al comenzii,
z { zq1 , zq 2 ,..., zqn }
(4.101)
prin metoda prezentat mrimea de comand a regulatorului fuzzy, obinut cu relaia (4.100),
poate lua orice valoare n universul de discurs al comenzii,
z [ zq1 , zqn ] .
(4.102)
Metoda prezentat, este foarte util n implementarea regulatoarelor fuzzy, deoarece

plecnd de la tabele de decizie de tip Mamdani, cu numr finit de valori pentru mrimile de
intrare i de ieire, se obin pentru mrimile de comand ale regulatoarelor fuzzy variaii
continue n universurile de discurs ale acestora. Acest efect are ca rezultat creterea
performanelor sistemelor de reglare n care sunt implementate regulatoarele fuzzy cu tabele de
decizie de tip Mamdani.
114
Implementarea unor structuri de control cu regulatoare fuzzy
Capitolul 5
Cercetrile ntreprinse, referitoare la comportarea expertului uman au evideniat faptul c
acestuia i este specific o comportare puternic neliniar, nsoit de efecte de anticipare,
integrare, predicie i chiar de adaptare la condiiile concrete de funcionare. Conducerea
proceselor cu ajutorul regulatoarelor fuzzy este din acest punct de vedere mai pragmatic, putnd
fi adaptabil unei clase mult mai vaste de procese.
Aplicaia industrial din domeniul conducerii, considerat ca fiind de referin n domeniu,
a fost dezvoltat n Danemarca, n anul 1980 i are n vedere comanda unui cuptor rotativ, la o
fabric de ciment. Ulterior n America i mai cu seam n Japonia a avut loc o explozie n
domeniul aplicaiilor de control fuzzy n cele mai diverse domenii: de la aplicaiile electrocasnice
pn la industria aeronautic. Dezvoltarea vitezei de lucru a circuitelor electronice e una din
cauzele care a dus la creterea numrului de implementri a logicii fuzzy n sistemele de control.
Aplicaiile de conducere fuzzy de pn acum evideniaz dou aspecte importante
referitoare la aceast tehnic de conducere:
- conducerea fuzzy este o alternativ viabil a conducerii convenionale clasice;
- conducerea fuzzy este dezvoltat plecnd de la experiena operatorului uman , experien
pe care un regulator fuzzy o poate ngloba mult mai bine fa de un regulator clasic.
n realizarea unei structuri de reglare automat cu regulatoare fuzzy informaiile referitoare
la proces pot fi sub forma unui model matematic mai mult sau mai puin exact, sau informaiile
despre proces pot fi disponibile ntr-o reprezentare lingvistic.
5.1 Tipuri de structuri de control cu regulatoare fuzzy

5.1.1 Structuri de control fuzzy simple
n practic, reglarea proceselor cu ajutorul regulatoarelor fuzzy poate fi implementat n
diferite structuri de conducere care vor fi prezentate n cele ce urmeaz.
Structura de reglare n circuit nchis (cea mai frecvent utilizat n practic) conine un
regulator cu logic fuzzy de tip SISO i e reprezentat n figura 5.1:
115
p
w
+
_
Regulator fuzzy
Proces
Fig. 5.1 Structur de control simpl cu regulator fuzzy SISO

Structura de control cu regulator fuzzy SISO este utilizat pentru a controla un singur
parametru tehnologic acionnd n scopul anulrii erorii de reglare e dintre referina w i mrimea
reglat y.
Pentru procesele complexe multivariabile, unde exist mai multe mrimi de comand i
mai multe mrimi reglate, structura de control cu regulator fuzzy MIMO are reprezentarea ca n
figura 5.2.
p
y
Regulator fuzzy
Proces
Fig. 5.2 Structur de control cu regulator fuzzy MIMO

Plecnd de la un astfel de regulator fuzzy MIMO se poate face o reglare folosind i
variabilele de stare ale procesului care sunt aduse la intrarea regulatorului. O condiie necesar
este ca acele stri ale procesului s fie msurabile. n acest caz este necesar o cunoatere
aproximativ a modelului intern al procesului sau procesul s poat fi descompus n subprocese.
n figura 5.3 este prezentat structura de control cu regulator de acest gen.
116

p
w
+
_
Regulator fuzzy
Proces
Fig. 5.3 Structur de control cu regulator fuzzy dup stare

5.1.2 Structuri hibride de control fuzzy
Exist posibilitatea apariiei n timpul unei funcionri normale a unui proces cu dinamic
crescut s apar la un moment dat o anomalie care s duc la ineficiena unei structuri de
control cu regulator convenional, regulator convenional care n condiii normale ducea la
obinerea unor performane acceptabile ale structurii de control. n acest caz se poate implementa
o stuctur hibrid care utilizeaz un regulator convenional RPID pentru funcionarea n condiii
normale a procesului i un regulator fuzzy pentru condiiile speciale de funcionare a procesului.
n aceste condiii speciale experiena operatorului uman se poate implementa mult mai facil ntro form lingvistc i implicit n funcionarea unui regulator fuzzy. n cadrul sistemelor cu
selectoare, numai o bucl de reglare funcioneaz la un moment dat. n aceste cazuri, important
este i momentul trecerii de pe un regulator pe cellalt fie ntr-un sens, fie n altul [Lazr et al.,
2004]. Comutarea selectorului poate fi declanat i de regulatorul fuzzy.
Regulator fuzzy
w +
Proces
RPID
Fig. 5.4 Structur de control hibrid cu regulator fuzzy i regulator convenional
117

O alt structur de control utilizat n cazul proceselor ce se pot descompune n mai multe
subprocese este reglarea n cascad, unde apariia unei perturbaii pe un subproces intern cu
dinamic rapid este rejectat nainte ca ea s apar ca efect n mrimea de ieire a procesului.
Aceat structur alternativ poate fi implementat utiliznd unul sau mai multe regulatoare
fuzzy. Regulatorul fuzzy poate fi fie regulatorul de pe bucla extern, fie de pe bucla intren. O
astfel de structur unde regulatorul fuzzy reprezint regulatorul principal este reprezentat n
figura 5.5:
p1
Regulator
principal
w +
e
_
Regulator fuzzy
Regulator
auxiliar
u1 +
_
RPID
Proces
u2
SP1
y1
SP2
Fig. 5.5 Structur de control n cascad cu regulator fuzzy i regulator convenional

5.1.3 Structuri de control fuzzy-adaptive
O structur de control convenional unde parametrii regulatorului convenional sunt
adaptai pe baza unei strategii fuzzy este prezentat n figura 5.6:
Strategie de
adaptare
fuzzy
KP, KI, KD
u
RPID
Proces
Fig. 5.6 Structur de control cu adaptarea parametrilor regulatorului convenional

dup o strategie fuzzy
118

Iniial regulatorul convenional pornete cu valori mici ale parametrilor de reglare Kp, KI,
KD. n urma msurrii i fuzzificrii unor indici de performan, cum ar fi, suprareglarea i
raportul dintre timpul de cretere i durata regimului tranzitoriu, sunt activate reguli fuzzy pentru
modificarea parametrilor regulatorului.
O variant interesant a unui sistem de control cu adaptarea parametrilor regulatorului
convenional dup o strategie fuzzy este sistemul rezentat n figura 5.7, unde modificarea unei
mrimi msurabile de intrare n proces / perturbaie duce la adaptarea parametrilor regulatorului
convenional. De obicei, dac sunt cunoscute regulile dup cum trebuie modificai parametrii
regulatorului clasic n funcie de semnalul msurat, atunci poate fi implementat un procedeu de
adaptare fuzzy.
Strategie de
adaptare
fuzzy
KP, KI, KD
RPID
Proces
Fig. 5.7 Structur de control cu adaptarea dupa perturbaie a parametrilor regulatorului

convenional dup o strategie fuzzy
Sistemele de reglare adaptive i modific comportamentul n funcie de modificrile
proprietilor proceselor reglate. Majoritatea sistemelor de reglare adaptive pot fi ncadrate n
sisteme adaptive cu regulatoare pentru compensarea perturbaiilor i sisteme adaptive n bucl
nchis cu reacie negativ.
5.1.4 Structuri de control fuzzy-optimale
Printre problemele de sintez a sistemelor automate ce se pot formula n legtur cu
performanele i condiiile care trebuiesc realizate, o categorie distinct este cea a problemelor cu
rspuns impus. n acest caz comportarea dorit a sistemului nu se specific prin anumii indici de
calitate, ci printr-o traiectorie care trebuie realizat de ctre sistemul automat. De exemplu, se
poate impune forma dorit a rspunsului indicial. Dei acest mod de a aborda sinteza sistemelor
119

automate este de multe ori natural pentru practica inginereasc, procedeul este mai puin folosit
din cauza unui calcul mai laborios, precum i datorit rspndirii mult mai largi a metodelor
bazate pe impunerea valorilor anumitor indici de performan.
n cazul metodei cu rspuns impus sunt situaii n care nu trebuie s ne ateptm ca
obinerea exact a traiectoriei respective (care, efectiv, s nu fie realizabil) ci la o apropiere n
medie ct mai bun de aceasta.
Apropierea de traiectoria impus se poate realiza n diverse moduri. Printre acestea este i
utilizarea unui regulator fuzzy n care regulele trebuie formulate n aa fel nct s se nregistreze
abateri ct mai mici fa de traiectia impus.
Un caz particular important al sistemelor cu aceast structur este cel n care blocul de
calcul prescrie variaia optimal a uneimrimi din sistem. Pe aceast cale, se asigur o
simplificare semnificativ a implementrii sistemelor de control optimal. Dac urmrirea
traiectoriei de referin este asigurat de un regulator fuzzy, sistemul este optimal fuzzy.
Bloc calcul
traiectorie
wimpus
+
Regulator fuzzy
Proces
Fig. 5.8 Structur de urmrire fuzzy
5.2 Etapele de dezvoltare a unei structuri de control cu regulator fuzzy

Analog dezvoltrii unei structuri de reglare clasice i n cazul structurilor de control cu
regulator fuzzy este foarte important s se cunoasc informaii despre proces. Informaiile despre
proces pot fi puse :
- sub forma analitic, a unui model matematic mai mult sau mai puin exact,
- ntr-o manier generalizat, sub forma unor cunotine lingvistice mai mult sau mai puin
detaliate.
Adoptarea uneia dintre structurile de reglare prezentate anterior ine tot de experiena
operatorului uman i de obinerea performanelor dorite pentru respectiva structur de control.
Etapele principale de dezvoltare a unei structuri cu regulator fuzzy [Bloch et al., 2006],
sunt:
120

- stabilirea condiiilor de funcionare a procesului precum i a mrimilor de intrare / ieire
/ perturbaie;
- formularea lingvistic a comportrii sistemului n diverse regimuri de funcionare;
- alegerea structurii regulatorului fuzzy, a mrimilor de intrare i ieire, precum i a
dinamicii regulatorului;
- stabilirea bazei de reguli pentru o funcionare corect i n acelai timp i coerent;
- dezvoltarea hardware/software a regulatorului fuzzy i implementarea acestuia n cadrul
structurii de control;
- acolo unde este posibil se face o testare soluiei de implementare pe un model din din
laborator;
- validarea soluiei finale prin performanele obinute.
n paralel cu dezvoltarea teoriei de control fuzzy i a implementrii n aplicaiile de control
noi, n ultima perioad are loc o dezvoltare intensiv a hardware-ului pentru prelucrarea
controlului fuzzy.
Dou concepte de punere n aplicare a regulatoarelor fuzzy analogice si digitale, sunt n
concuren unele cu altele.
Ca urmare, exist o varietate de arhitecturi pentru implementarea regulatoarele fuzzy
analogice, digitale ct i mixte la dispoziia proiectantului pentru rezolvarea att a problemelor
simple ct i a problemelor foarte complexe de control.
Regulatoarele fuzzy analogice au aplicabilitate destul de mare n cadrul produselor de larg
consum, n care intrrile i ieirile sunt semnale analogice. Unele structuri de controlor lucreaz
analogic numai pentru circuitele de intrare i ieire de conversie, n timp ce prelucrarea fuzzy se
face digital cu ajutorul microprocesoarelor sau a circuitelor integrate.
Chiar dac sunt foarte atractive i utilizate pe scar larg, regulatoarele fuzzy analogice
sunt caracterizate de precizie limitat pe de o parte, i flexibilitate structural slab, pe de alt
parte. Dezavantajele anterioare pot fi depite printr-un design de circuit, cu flexibilitate i
programabilitate, crescut realizate printr-o implementare digital.
Aa cum se arat n figura 5.9, regulatoarele digitale fuzzy pot fi proiectate utiliznd
tehnici diferite de punere n aplicare i de platforme hardware diferite.
Arhitectura i funcionalitatea procesoarelor fuzzy sunt foarte asemntoare cu cele ale
microprocesoarelor standard. Singura diferen este n consolidarea processor-ului cu circuite
digitale suplimentare i instruciuni microcod specifice executrii operaiunilor principale ale
regulatoarelor fuzzy. Printre multiplele tipuri de procesoare fuzzy, menionm: NcuraLogix
NLX-230 Fuzzy Microcontroller, Togai InfraLogic FC110 digital fuzzy processor, Omron FP3000 fuzzy processor, SGS Thomson Weight Associative Rule Processor (WARP) i Siemens
FUZZY 166 microcontroller. [Kovacic and Bogdan, 2006].
121

Regulatoare fuzzy
Analogice
Digitale
CMOS
Procesoare
fuzzy
Microcontrolere
Automate
programabile
PC
PLA/FPGA
Fig. 5.9 Diverse platforme pentru implementarea regulatoarelor fuzzy

Procesoarele fuzzy sunt programabile ca i microprocesoarele standard, dar executarea
operaiunilor fuzzy este mult mai rapid. Costul unor astfel de procesoare este mai ridicat n
special datorit numrului mai redus de procesoare fuzzy produse.
Deoarece aplicabilitatea n operaiile de control a automatelor programabile a crescut
destul de mult n ultima perioad, marii productori au nceput ntr-un ritm destul de timid
fabricarea de module de extensie fuzzy. Cu siguran c, n scurt timp, astfel de sisteme de
prelucrare i control vor fi dezvoltate de ctre toi productorii.
Fiabilitatea sporit a sistemelor de operare a PC-urilor precum i disponibilitatea unui
spectru larg de module de achiziie de date fac ca implementarea sistemelor de control cu
ajutorul PC-urilor n diverse sisteme/platforme de programare s cunoasc o dezvoltare
puternic. Integrarea logicii fuzzy pe astfel de platforme de programare este destul de utilizat.
Un numr mare de instrumente software care includ module fuzzy fac aceast opiune i mai
atractiv.
Domenii specifice n care companiile folosesc soft bazat pe fuzzy [Bloch et. al., 2006]:
122

- determinarea secvenelor optime pentru asamblarea automobilelor: softul realizat de FLS
(Qualicision Sequencing Software) d posibilitate constructorilor de automobile sa reduc timpii
i efortul de producie prin folosirea unei noi strategii pentru stabilirea secvenei proceselor.
Acest soft este folosit de BMW, Audi, Ford, Volskwagen;
- automatizarea producerii de cauciucuri (realizat pentru Continental AG);
- controlul roboilor pentru montarea cauciucurilor (Burke Porter Machenary Company);
- consultan bancar (FuzzyDecisionDesk) cuprinznd partea de interfa cu clientul ct i
stabilirea tipului optim de credit pentru clientul respectiv;
- consultan pentru acordarea creditelor: sistem care face distincia ntre un client bun i
unul ru (folosit de Citibank);
- analiza imaginilor pentru folosirea n serviciul potal (verific dac un pachet de
documente-scrisori este bine realizat, n sensul separrii scrisorilor n funcie de destinaie);
folosit de Datev;
- asigurarea calitii prin control optic pentru verificarea destinaiilor pachetelor i aezarea
lor corect n depozit (folosit de Datev i Wiltron);
- proiectarea sistemelor micro-electronice (ehrfeld Mikrotechink)
- monitorizarea optic a liniei de asamblare - (asigurarea calitii): Hengst;
- verificarea vizual a potrivirii suprafeelor la montarea cauciucurilor(BMW) (Japonia);
- control automat al barajelor pentru hidrocentrale (Tokio Electric
- Pow);
- controlul roboilor (Hirota, Juji Electric, Toshiba, Omrom);
- focusul camerei de luat vederi pentru transmiterea evenimentelor sportive (Omron);
- analiza activitilor de pe bursa de mrfuri (Yamaichi);
- mpiedicarea fluctuaiilor nedorite de temperatur n sisteme de aer condiionat
(Mitsubishi);
- controlul eficient i stabil al motoarelor mainilor (Nissan);
- eficientizarea proceselor industriale (fluxul proceselor) (Aptronix, Omron, Mitsubishi);
- planificare optimizat a orarelor pentru autobuze (Toshiba);
- sisteme de arhivare a documentelor (Mitsubishi Elec);
- sisteme de predicie a cutremurelor;
- medicin: diagnosticarea cancerului (Kawasaki Medical School);
- recunoaterea scrisului (Sony);
- recunoaterea formelor n picturi (Canon, Minolta);
- recunoaterea suprafeei pentru controlul aspiratoarelor (Matsushita);
- controlul luminii la aparate video (Sanyo);
- design software pentru procese industriale (Aptronix, Harima);
- controlul metroului pentru mbuntirea confortului i economie de energie (NOK);
- mbuntirea eficienei lifturilor (Fujitec);
- creterea siguranei pentru reactoare nucleare (Hitachi, Bernard).
123

Necesitatea creterii semnificative a vitezei de operare i a capacitii de a procesa un
numr mare de intrri, ieiri, precum i a regulilor de control fuzzy a dus la dezvoltarea
regulatoarelor fuzzy cu ajutorul matricilor logice programabile (PLA) sau a reelelor de pori
logice reconfigurabile (FPGA).
5.3 Studii de caz

n cele ce urmeaz vor fi prezentate cteva studii de caz pentru identificarea neuro-fuzzy a
unei instalaii complexe precum i sisteme de control fuzzy pentru diverse procese industriale. Se
va apela att la simulare ct i la implementarea n timp real a unor sisteme de control.
5.3.1 Sistem de reglare fuzzy a vitezei unui motor de curent continuu
n acest paragraf se prezint un sistem de control fuzzy a vitezei unui motor de curent
continuu. Alegerea este justificat de numrul mare de aplicaii n domeniul sistemelor de
acionare electric.
Modelul matematic al unui sistem de acionare cu motor de curent continuu cu excitaie
separat este [Boan, 2009]:
di
+ Ce
dt
d
Cmi = J
+ + m,
dt
u = Ri + L
(5.1)
n care mrimile au urmtoarele semnificaii: u - tensiunea aplicat circuitului rotoric; i - curentul

rotoric; - viteza de rotaie; m - cuplul rezistent redus la arborele motorului; R, L - rezistena i
respectiv inductana circuitului rotoric; J - momentul de inerie redus la arborele motorului; Cm,
Ce - constante ale motorului; - constant a sistemului de acionare, reprezentnd coeficientul de
proporionalitate cu viteza al cuplului (include i cuplul corespunztor pierderilor n fier, cuplul
de frecare i cuplul util proporional cu viteza).
n general, cuplul rezistent poate fi constant, variabil n timp dup o lege oarecare
cunoscut sau aleator, dependent de vitez sau de poziie.
La scrierea modelului matematic (5.1) pentru sistemul de acionare s-au fcut o serie de
neglijri curent acceptate, cum a fi cea a fenomenelor de saturaie sau a cderii de tensiune la
perii.
n problemele de conducere automat sunt preferate de multe ori modelele matematice sub
forma ecuaiilor de stare. Pentru sistemele liniare, acestea se prezint sub forma:
124

& = Ax(t) + Bu(t) + w(t)
x(t)
y(t) = Cx(t),
(5.2)
n care x(t ) n - vectorul mrimilor de stare, u (t ) m - vectorul mrimilor de comand,
w(t ) n - vectorul perturbaiilor, y (t ) p - vectorul mrimilor de ieire iar A, B i C au

dimensiuni corespunztoare.
n sistemul monovariabil considerat prin ecuaiile (5.1), mrimile u(t) i y(t) sunt scalare
i anume: u(t) este tensiunea de comand rotoric, iar ca mrime de ieire se consider
viteza y(t) = (t) . Drept mrimi de stare se consider viteza de rotaie (t) i curentul rotoric
i(t):
x (t) (t)
x(t) = 1 =
.
x 2 (t) i(t)
(5.3)
Pentru sistemul (5.2) vom considera o singur perturbaie i anume cuplul rezistent m(t):
1
w1 (t)
w(t) =
= J m(t) .
0 0

(5.4)
n implementarea n MATLAB a sistemului se va utiliza modelul discret al motorului de

curent continuu. Plecnd de la modelul matematic general (5.2) al sistemului de acionare cu
motor de curent continuu scris sub forma
& = A c x(t) + Bc u(t) + Wc m(t) ,
x(t)
(5.5)
unde

J
Ac =
Ce
L
Cm
0
1
, Bc = Kc , Wc = J .

R
L
0
L
(5.6)
Parametrii care apar n (5.6) au semnificaiile pe care le-am precizata anterior, iar Kc este
factorul de amplificare global al convertorului N/A i al redresorului. Indicele c ataat matricelor
indic faptul c acestea se refer la modelul continuu.
Notnd
A = e Ac ,
B = e Ac t dtBc ,
0
125
W = e Ac t dtWc ,
0
(5.7)

unde este perioada de eantionare, modelul discret al procesului devine:
xk +1 = Axk + Buk + Wmk
(5.8)
Caracteristicile tehnice ale motorului de curent continuu utilizat n simularea sitemului de

reglare sunt reprezentate n tabelul 5.1:
Tabel 5.1 Caracteristici tehnice ale motorului de curent continuu
Parametru
Umax
Imax
Ra
La
Ce
Cm
J
Valoare[u.m.]
24V
7A
3,1
0,16H
0,56Vs/rad
0,56Nm/A
0,028Nms2/rad
0,001
Reglarea vitezei motorului de curent continuu la o valoare prestabilit se face prin

implementarea n Matlab a unui regulator fuzzy cu comportare de tip cvasi-PI.
Legea de reglare fuzzy discret, scris n forma general, este
uk = f ( ek ,ek )
uk = uk 1 + uk
(5.9)
n care
ek este eroarea de vitez la momentul k;
ek este variaia erorii de vitez la momentul k;

uk este variaia mrimii de comand fuzzy la momentul k;
uk , uk 1 sunt mrimile de comand fuzzy la momentele k, respectiv k-1.
Universurile mrimilor de intrare e, e i universul mrimii de ieire
u, ale regulatorului cu logic fuzzy, sunt discretizate fiecare n 11 nivele de cuantizare.
Nivelele de cuantizare sunt liniare i sunt repartizate uniform n mulimea de cuantizare Q:
Q = {-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5}.
126
(5.10)
n tabelul 5.2 se prezint discretizarea liniar a universurilor de discurs E, E i U

pentru mrimile e, e i u ale regulatorul fuzzy utilizat la reglarea vitezei motorului de curent
continuu.
Tabelul 5.2 Cuantizarea universurilor E, E i U
Q
-5
E (rpm)
E (rpm)
U (V)
-60
-5
-1,00
-4
-48
-4
-0,60
-3
-36
-3
-0,45
-2
-24
-2
-0,30
-1
-6
-1
-0,15
+1
0,15
+2
24
0,30
+3
36
0,45
+4
48
0,60
+5
60
1,00
Regulatorul fuzzy implementat utilizeaz un tabel de decizie de tip Mamdani. n funcie de

regulile fuzzy din baza de reguli a regulatorului cu logic fuzzy, pe baza inferenei fuzzy de tip
Mamdani, se determin off-line valorile cuantizate ale variaiei mrimii de comand u , care
sunt introduse n tabelul de decizie.
n tabelul 5.3 este prezentat tabelul de decizie tip Mamdani pentru regulatorul cu logic
fuzzy cu comportare de tip cvasi-PI utilizat pentru reglarea fuzzy a vitezei motorului de curent
continuu.
n cazul regulatorului cu logic fuzzy cu comportare de tip cvasi-PI, din tabelul de decizie
de tip Mamdani se obine variaia mrimii de comand u, valoare care trebuie adunat la
mrimea de comand uk-1 anterioar, conform algoritmului
u k = u k 1 + u k
127
(5.11)
Tabelul 5.3 Tabel de decizie tip Mamdani

e
-60
-48
-36
-24
-6
e 0
6
24
36
48
60
( e*k
-5
-4
-3
-2
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-0.6
-0.6
-0.6
-0.3
-0.3
-0,2
0
0,45
1
-1
-0.6
-0.6
-0.6
-0,2
-0.3
-0,2
0,45
0,6
1
-1
-0.6
-0.45
-0.45
-0,2
-0,2
0
0,45
1
1
-0.6
-0.45
-0.45
-0.3
-0,2
-0,2
0,15
0,45
1
1
-0.6 -0.6 -1
-1
-0.45 -0.45 -0.6 -0.45
-0.3 -0.3 -0,2 -0,2
-0,2
0
0 0,15
0
0
0 0,15
0
0
0,3 0,3
0,15 0,3 0,45 0,45
0,6 0,6 0,6 0,6
1
1
1
1
1
1
1
1
-1
-0.45
0
0,15
0,15
0,45
0,6
1
1
1
-0.6 -0.45
-0.45 0
0,15 0,15
0,3 0,3
0,3 0,3
0,45 0,45
0,6 0,6
1
1
1
1
1
1
n varianta clasic, din tabelul de decizie (5.3) de tip Mamdani, pentru orice observaie
, e*k ) din universul de intrare al regulatorului fuzzy E E nu pot fi obinute pentru variaia
mrimii de comand uk dect una din cele 11 valori cuantizate n universul ei de discurs
U = { 1; 0 ,6 ; 0 ,45; 0 ,30; 0 ,15;0;0 ,15;0 ,30;0 ,45;0 ,60;1 } .
Aplicnd metoda prezentat n capitolul 4.2.4., pentru orice observaie ( e*k , e*k ) din
universul de intrare al regulatorului fuzzy E E variaia mrimii de comand u*k se obine
din tabelul de decizie Mamdani aplicnd relaia 4.100. Pentru variaia mrimii de comand u*k
se poate obine orice valoare din universul de discurs continuu U = [ 1,+1 ] .
La fiecare pas al iteraiei k, pentru valorile erorii e*k i variaiei erorii e*k care nu coincid
cu valorile cuantizate din universurile de intrare E, respectiv E variaia mrimii de comand
u*k se obine din tabelul de decizie Mamdani aplicnd relaia 4.100.
Astfel, dac la pasul k, eroarea e*k = 28 rpm i variaia erorii e*k = 1,6 rpm din tabelul de
decizie 5.3 se folosesc datele din celula reprezentat n fig. 5.10, iar pentru variaia mrimii de
comand u*k se obine valoarea
128
*
k
e i + 1 e *k e
=
ei+ 1 ei e
e *k e i e
+
ei+ 1 ei e
j+1
e*
j+1
j+1
e*
j+1
ui, j
*
e i + 1 e *k e e j
+
ei+ 1 ei e j + 1 e
ui, j+1
j
e* e j
e *k e i
+
ei+ 1 ei e j + 1 e
ui+1, j
u i+1, j+1
j
8
8
4
4
0 ,4 0 ,45 +
0 ,6 0 ,45 +
0 ,4 0 ,6 +
0 ,6 0 ,6 =
12
12
12
12
= 0 ,4995
e*k = 1,6 rpm
ej+1 = 2 rpm
ej = 1 rpm
ei = 24 rpm
0,45
0,45
e*k = 28 rpm
0,4995
ei+1 = 36 rpm
0,6
0,6
u*k
Fig. 5.10 Determinarea variaiei mrimii de comand u*k

Acordarea regulatorului fuzzy se face prin metoda ncercri i erori prin modificarea n
tabelul de decizie de tip Mamdani a valorilor variaiei mrimii de comand uk , n funcie de
rspunsul vitezei motorului de curent continuu la modificarea n treapt a mrimiii de referin i
a mrimii de perturbaie.
Prin implementarea procedeului propus pentru calculul variaiei mrimii de comand u*k
se imbuntesc performanele de reglare ale vitezei motorului de curent continuu: suprareglare
i timp de rspuns.
n figura 5.11 sunt prezentate rezulatele simulrii reglrii vitezei motorului de curent
continuu, cu parametrii din tabelul 5.1, dup ce a fost acordat prin metoda ncercri i erori.
129
Modificarea
perturbaiei
Fig. 5.11 Reglarea fuzzy a vitezei motorului de curent continuu

Perioada de eantionare folosit n simularea sistemului de control al vitezei motorului de
curent continuu este = 0.02sec. La pornire motorul de curent continuu are o comportare
asemntoare unui sistem cu faz neminim, datorit cuplului rezistent la arborele motorului care
este considerat mrime de perturbaie.
La momentul de timp t = 2,5 sec are loc modificarea valorii mrimii de perturbaie, iar la
momentul t=3,75 sec, valoarea mrimii de referin care era iniial w1 = 240 rpm, scade la
w2 = 170 rpm.
Performanele sistemului de reglare fuzzy a vitezei motorului de curent continuu sunt
foarte bune att la modificarea n treapt a mrimii de perturbaie ct i la modificarea n treapt
a mrimii de referin.
130

n Anexa nr. 1 este prezentat programul realizat n Matlab pentru simularea sistemului de
reglare fuzzy a vitezei motorului de curent continuu cu regulator fuzzy cu tabel de decizie de tip
Mamdani.
5.3.2 Sistem de poziionare optimal cu regulator fuzzy
Cercetrile autorului s-au axat pe un caz particular al problemei prezentate la paragraful
5.1.4 i anume aplicaia se refer la un sistem de urmrire optimal din punct de vedere energetic
la un motor de curent continuu.
Optimizarea din punct de vedere energetic n cazul sistemelor de acionare i poziionare
prezint nu doar avantajul diminurii consumului energetic, ci poate oferi n anumite cazuri
i posibilitatea reducerii puterii nominale a motorului. n adevr, n faza de proiectare, puterea
nominal se stabilete din condiia de nclzire a motorului, iar prin micorarea pierderilor Joule,
se ajunge la condiii de nclzire mai favorabile, respectiv la posibilitatea de a diminua puterea
nominal. Acest lucru duce la scderea costurilor i la diminuarea gabaritului i greutii, ceea ce
n unele aplicaii reprezint un avantaj important. S mai remarcm c n unele situaii
diminuarea greutii unui subansamblu poate avea ca efect reducerea consumului energetic al
ntregului ansamblu.
Reglarea optimal a unui proces poate fi implementat impunnd o urmrire ct mai fidel
a traiectoriei optimale a unei mrimi . Desigur c un astfel de sistem este suboptimal, ns
apropierea de comportarea optimal devine foarte bun. Implementarea pe aceast cale a
conducerii optimale a proceselor dinamice poate fi considerabil mai simpl dect cea bazat pe
aplicarea comenzilor optimale. n cadrul acestei proceduri, apropierea dintre traiectoria optimal
i cea real este asigurat de un regulator fuzzy. Se apeleaz la o structur convenional de
reglare n cascad cu anumite modificri.
Ecuaia de stare n form general a motorului de curent continuu este prezentat n relaia
(5.2) n care vectorul de stare este acum tridimensional:
x(t) = [ x1 (t) x 2 (t) x 3 (t) ] = [ (t) (t) i(t) ]
T
(5.12)
fa de sistemul prezentat anterior aprnd relaia:
&(t ) = r (t )
(5.13)
unde este unghiul de rotaie la axul de ieire, iar r este constanta reductorului.
O simplificare important a implementrii se face dac se consider curentul rotoric i(t)
drept mrime de comand n locul tensiunii de comand u(t). Bucla interioar avnd un rspuns
131

foarte rapid se poate accepta c mrimea de comand - i(t) variaz instantaneu, aa cum se
presupune de regul cu aceste mrimi.
n felul acesta se ajunge la un sistem optimal ideal, care neglijeaz variaiile curentului.
ns cunoaterea formei de variaie ideale pentru mrimea de comand este foarte util, deoarece
se va impune ca sistemul s funcioneze cu apropiere ct mai bun de aceast variaie optimal.
Pentru o adecvan ct mai bun a sistemului real de cel optimal, se poate impune ca referin
variaia ideal a curentului, a vitezei sau a poziiei.
n aplicaia de fa s-a ales varianta impunerii formei ideale de traiectorie a vitezei. Ecuaia
de stare este:
Cm i (t ) = J
d
+m
dt
(5.14)
unde mr este cuplu rezistent (perturbaie).

Se consider problema de optimizare din punct de vedere energetic care impune
minimizarea pierderilor n motorul electric.
La funcionarea n regim staionar a motorului electric predomin pierderile n cupru,
urmate de cele n fier. n regim dinamic curenii au valori foarte mari aa nct pierderile n cupru
depesc sensibil celelalte categorii de pierderi; ca atare, este justificat ca optimizarea s se
refere numai la minimizarea pierderilor n cupru i, drept urmare indicele de calitate care se
adopt n problema optimizrii este de forma:
T
I = i 2 (t )dt
(5.15)
Problema de optimizare este: s se determine i(t) pe intervalul [0, T] care transfer

sistemul (5.14) din conditiile iniiale n cele finale impuse astfel s fie minimizat indicele de
calitate (5.15). Condiiile de capt se refer la valoarea vitezei i poziiei la momentele terminale
0 i T. Vom considera
(0)= 0 i (T) = f
(0)= 0 i (T) = 0.
(5.16)
Conform [Boan C. et. al, 2006] se ajunge dup rezolvarea problemei, la urmtoarele relaii
de calcul a valorilor optimale pentru variabilele de stare:
i * (t ) = 6
J f
t
m
2 (1 2 ) +
rCm T
T
Cm
132
t2
)
(5.17)
rT
T
t3
* (t ) = 6 f2 (3t 2 2 )
T
T
n relaia (5.17) se observ c viteza optimal * (t ) nu depinde de m, adic variaia
* (t ) = 6
(t
2
optimal a vitezei rmne aceeai indiferent de cuplul rezistent. Cu alte cuvinte n conducerea
optimal, motorul absoarbe un curent care s compenseze cuplul rezistent astfel nct traiectoria
de vitez s rmn mereu aceeai. Acest fapt justific alegerea variaiei optimale a vitezei ca
mrime de referin dup cum s-a specificat mai sus.
n figura 5.12(a) este prezentat schema bloc a sistemului de poziionare optimal cu
regulator fuzzy, iar n 5.12(b) este implementarea schemei n Simulink/Matlab:
*
C1
-
+
-
Regulator
fuzzy
i* +
C3 u
-
M
i
a. schema bloc
b. schema simulink
Fig. 5.12 Sistemul de control optimal cu regulator fuzzy
133

Regulatorul fuzzy implementat cu ajutorul Toolbox-ului Fuzzy Logic din Matlab are ca
intrri eroarea de urmrire precum i variaia erorii, iar ieirea este variaia mrimii de ieire.
Cele dou intrri au definite fiecare cte trei mulimi fuzzy pe fiecare univers de discurs cu
funcii de apartenen de tip triunghiular i trapezoidal. Ieirea are definit pe universul de
discurs cinci mulimi fuzzy cu funcii de apartenen de tip triunghiular. Metoda de inferen
folosit este de tip Mamdani: min-max, iar metoda de defuzificare este cea a centrului de
greutate. Baza de reguli definit este prezentat n figura 5.13.
Fig. 5.13 Implementarea bazei de reguli

Rezultatele simulrii sistemului de urmrire optimal cu regulator fuzzy se prezint n figura 5.14.
La sistemele de poziionare, se pornete din repaos, (0)= 0,. iar la final starea sistemului
este tot de repaos, (T) = 0. Pentru a observa toate mrimile de stare pe acelai grafic la o scar
adecvat, s-a reprezentat pe grafic valoarea poziiei multiplicat cu 10. Existena cuplului
rezistent potenial face ca, curentul I, s-i modifice semnul. Exceptnd momentele de pornire i
oprire, se observ c variaia curentului este una relativ liniar.
Se observ o urmrire precis a vitezei optimale calculate cu relaia (5.17), eroarea de urmrire
fiind foarte mic. Se observ mici variaii n jurul punctului t = 1 s, care este momentul de
comutare, atunci cnd practic se inchide i bucla de poziie (pn n acel moment sistemul
lucreaz doar ca sistem de urmrire a vitezei optime calculat din punct de vedere energetic).
Performanele conducerii optimale din punct de vedere energetic a unui sistem de
poziionare cu regulator cu logic fuzzy sunt foarte bune.
134
* [rad/sec]
[rad/sec]
i [A]
10* [rad]
Fig. 5.14 Evoluia mrimilor de stare ale sistemului

135
5.3.3 Sistem de reglare fuzzy n timp real a vitezei unui motor sincron
Principalul obiectiv urmrit n acest paragraf este reglarea n timp real a vitezei de rotaie
a unui servomotor cu magnei permaneni folosind o structur de control (MCK240) produs de
firma Technosoft.
Structura hardware permite experimentarea unei game variate de algoritmi de reglare
numeric, pornind de la cei mai simpli la cei mai evoluai .
Structura hardware are la baz procesorul numeric de semnal TMS320F240, special
proiectat pentru aplicaii de conducere a servomotoarelor. Puterea mare de calcul datorit
nucleului DSP i includerea unor periferice dedicate l recomand ca un controller orientat ctre
conducerea motoarelor.
Constructiv, structura de control este alctuit dintr-o plac de baz i un motor brushless
sincron cu magnei permaneni (figura 5.15). Pe placa de baz se regsesc un procesor numeric
de semnal din seria TMS320F240, un invertor cu trei faze, zon de msur i adaptare semnal,
memorie SRAM pentru memorare programe i datei, interfaa de programare JTAG i de
comunicaie cu un PC de tip RS232. O alt facilitate a plcii este faptul c exist posibilitatea
inactivrii tuturor resurselor de intrare/ieire utilizate pe plac (prin schimbri minore din punct
de vedere hardware) i redistribuirea lor unor module externe conectate prin conectorul MC-BUS
la modulul de baz (existent pe plac).
Motoarele sincrone cu magnei permaneni sunt alctuite din statorul (componenta fix) format
din nfurri (de obicei trei faze), rotorul (componenta mobil) cu magnei permaneni i senzori
interni sau externi pentru msurarea poziiei axului rotorului. Micarea de rotaie apare datorit
interaciunii dintre fluxul magnetic dezvoltat de stator prin alimentarea nfurrilor sale cu tensiune
alternativ i cel datorat magneilor permaneni ai rotorului. Informaiile furnizate de senzorii de
poziie sunt necesare pentru a asigura comutarea fazelor statorului n ordinea corect. Motoarele
sincrone cu magnei permaneni au avantajele lipsei contactelor de tip perie colector (motiv pentru
care mai sunt denumite brushless), al ineriei mici a rotorului, al unei bune disipri ale cldurii,
dimensiuni mici, zgomot redus, pierderi mai mici, deoarece este eliminat o nfurare.
Exist dou categorii principale de motoare sincrone cu magnei permaneni: motoare de
tip trapezoidal, respectiv de tip sinusoidal. Denumirile provin de la forma pe care o are tensiunea
electromotoare invers, care este indus n stator de micarea rotorului. Forma semnalului depinde
de felul n care sunt realizate nfurrile statorului.
136

2x36
Conector
MC-BUS
14
Conector
JTAG
TMS320F240
cu program
monitor inclus
PC
32k
cuvinte de
memorie
extern de
date/prog
Invertor trifazic
10
Motor
Encoder
Fig. 5.15 Schema bloc a plcii MCK240

Pentru a obine performane bune cu fiecare din cele dou tipuri de motoare, trebuie
implementate structuri de control corespunztoare. Astfel, pentru motoarele sincrone de tip
trapezoidal, numite i motoare brushless DC, se folosete o strategie de control n care dou din
cele trei faze ale statorului sunt active la un moment dat, n timp ce motoarele de tip sinusoidal,
numite i brushless AC, vor avea toate fazele active la un moment dat, fiind parcurse de cureni
sinusoidali.
Platforma de dezvoltare MCK240 conine o serie de aplicaii software, grupate ntr-un pachet
comun numit MCWIN. Pe aceast platform sunt integrate ntr-o singur interfa un program
monitor, aplicaii de evaluare ale procesorului numeric de semnal TMS320F240, program de analiz
grafic a conducerii motorului (DSPMOT) i dou programe demonstrative de control (BLAC i
BLDC).
Cu ajutorul pachetului MCWIN se poate avea acces direct la placa de baz i, de asemenea, se
pot executa orice aplicaie de control. Programul DSPMOT este un mediu de analiz grafic a
aplicaiilor de conducere a servomotoarelor i ofer posibilitatea ncrcrii la nivelul DSP-ului, prin
interfaa serial, a aplicaiei de conducere n format executabil, pornirea execuiei, analiza on-line a
variabilelor programului de conducere sau a datelor memorate off-line. Mai mult exist facilitatea de
a construi o referin pentru turaia motorului prin specificarea punctelor de pe traiectorie.
Mrimea de referin este apoi generat prin interpolarea liniar a punctelor specificate.
De asemenea, pot fi modificai unii parametri ai aplicaiei de conducere (cum ar fi valorile
parametrilor regulatoarelor, a perioadelor de eantionare).
137

Structura de reglare implementat este prezentat n figura 5.16.
Va
ref
Regulator
Fuzzy turaie
Vq
VCO
Vb
Vc
Invertor
PWM
Motor
PMSM
3~
Sarcin
TP
Estimare
turaie
Fig. 5.16 Structura de reglare fuzzy a vitezei motorului

Blocul VCO (Voltage Controlled Oscillator) are rolul de a determina valorile de referin
ale tensiunilor n cele trei faze ale motorului, valori de referin care sunt necesare pentru
comanda invertorului trifazat PWM(Pulse Width Modulated), plecnd de la mrimea de
comand.
Informaia furnizat de blocul traductor incremental (TP) este folosit pentru estimarea
vitezei axului rotoric. Viteza este calculat ca variaie a poziiei axului rotoric ntre dou
perioade de eantionare ale buclei de control a vitezei. Perioada de eantionare la care lucraez
structura de control a vitezei este de 1ms.
Pentru reglarea vitezei motorului a fost implementat un regulator fuzzy cu dou tabele de
decizie. Regulatoarul fuzzy de tip cvasi-PI are ca mrimi de intrare eroarea e i variaia erorii e,
iar ca mrime de ieire variaia mrimii de comand u. Mrimile menionate sunt cuantizate
prin 11 valori n mulimea de cuantizare Q ={-5; -4; -3; -2; -1; 0; 1; 2; 3; 4; 5}.
Valorile cuantizate sunt asociate unei partiii fuzzy cu cinci termeni:
NEGATIV BIG (NB);
NEGATIV SMALL (NS);
ZERO (ZE);
POZITIV SMALL (PS);
POZITIV BIG (PB)
(5.18)
S-au ales funcii de apartenen trapezoidale pentru toate variabilele fuzzy.

n tabelul 5.4 sunt prezentate mulimile fuzzy NB, NS, ZE,PS i PB mpreun cu funciile
lor de apartenen.
138

Tabelul 5.4 Funciile de apartenen trapezoidale ale celor mulimilor fuzzy
-5
PB 0
PS 0
ZE 0
NS 0
NB 1
-4 -3 -2 -1
0
1
2
3
4
0
0
0
0
0
0
0 0.3 0.6
0
0
0
0 0.3 0.6 1 0.6 0.3
0
0 0.3 0.6 1 0.6 0.3 0
0
0.3 0.6 1 0.6 0.3 0
0
0
0
0.6 0.3 0
0
0
0
0
0
0
5
1
0
0
0
0
Baza de reguli are urmtoarele reguli principale pentru obinerea variaiei mrimii de comand
u :
R1: dac e este NB i e este NB atunci u este NB.
R2: dac e este NS i e este NS atunci u este NS;
(5.19)
R3: dac e este ZE i e este PS atunci u este ZE;
R4: dac e este ZE i e este NS atunci u este NS;
R5: dac e este PS i e este PS atunci u este PS;
R6: dac e este PB i e este PB atunci u este PB;
Pentru o valoare oarecare a vitezei
k , dup calcularea erorii de vitez, ek = ref k
i a variaiei erorii de vitez, ek = ek ek 1 , variabila de comand uk se obine cu ajutorul

variaiei mrimii de comand uk conform algoritmului:
uk = U ( ek ,ek )
uk = uk 1 + uk
(5.20)
Variaia mrimii de comand uk este obinut prin intermediul a dou tabele de decizie
de tip Mamdani, U g ( ek , ek ) i U f ( ek ,ek ) , prima pentru o reglare fuzzy grosier i a doua
pentru o reglare fuzzy fin. Mrimea de comand uk este tensiunea de comand care pleac spre
blocul VCO, fig. 5.16, ntr-un format diferit.
Datorit faptului c TMS320F240 este un procesor numeric n virgul fix, pentru
reprezentarea numerelor raionale se folosete formatul Q15, care const n exprimarea unui
numr raional prin dou numere ntregi conform relaiei:
n q 15 =
n
32768
2 fs
(5.21)
unde n este numrul raional, fs un ntreg numit factor de scalare, astfel ales nct s fie cel mai
mic numr ntreg pentru care fracia n / 2 fs este subunitar.
139

Prin folosirea formatului Q15, valorile mrimilor din proces pot fi reprezentate pe 16 bii
(15 plus un bit semn), asigurnd astfel faptul c rezultatul unei operaii aritmetice ntre dou
valori nu va depi limea de 32 de bii a acumulatorului.
Tabelul 5.5 prezint discretizarea liniar, a universurilor E, E i U ale mrimilor e, e
i u, pentru reglarea fuzzy grosier a vitezei motorului.
Tabelul 5.5 Cuantizarea universurilor E, E i U pentru reglare fuzzy grosier
Q
E (rpm)
E (rpm)
U (V)
-5
-100
-20
-2
-4
-80
-16
-1,2
-3
-60
-12
-0,9
-2
-40
-8
-0,6
-1
-10
-4
-0,3
+1
10
0,3
+2
40
0,6
+3
60
12
0,9
+4
80
16
1,2
+5
100
20
n tabelul 5.6. este prezentat tabelul de decizie grosier U g ( ek , ek ) pentru reglarea fuzzy
grosier a turaiei motorului.
Pentru nceput s-a implementat un regulator fuzzy cu o comportare de tip cvasi-PI,
rel. (5.20), numai cu tabelul de decizie grosier U g ( ek , ek ) .
Pentru calculul variaiei mrimii de comand s-a aplicat metoda prezentat n capitolul
4.2.4. Pentru orice observaie ( e*k , e*k ) din universul de intrare al regulatorului fuzzy E E
variaia mrimii de comand u*k se obine din tabelul de decizie grosier U g ( ek , ek ) aplicnd
relaia 4.100.
140

Tabelul 5.6 Tabel de decizie U g ( ek , ek ) pentru reglare fuzzy grosier
e
-20 -16 -12
-8
-4
12
16
20
-100 -2 -1.2 -0.9 -0.6 -0.3 -2 -0.3 -0.6 -0.9 -1.2 -2

-80
-60
-40
-20
e 0
20
40
60
80
100
-1.2
-0.9
-0.6
-0.3
-2
-2
-2
-0.9
-0.6
2
-1.2
-0.9
-0.6
-0.3
-2
-2
-1.2
-0.9
-0.6
2
-0.9
-0.9
-0.6
-0.3
-2
-1.2
-0.9
-0.6
-0.3
2
-0.6
-0.6
-0.6
-0.3
-1.2
-0.9
-0.6
-0.3
0
2
-0.3
-0.3
-0.3
-0.3
-0.9
-2
-0.3
0
0
2
-1.2
-0.9
-0.6
-0.3
0
0.3
0.6
0.9
1.2
2
-0.3
-0.3
-0.3
-0.3
0
0.3
0.3
0
0.3
0.3
-0.6
-0.6
-0.6
-0.3
0
0.3
0.6
0.6
0.6
0.6
-0.9
-0.9
-0.6
-0.3
0
0.3
0.6
0.9
0.9
3
-1.2
-0.9
-0.6
-0.3
0
0.3
0.6
0.9
1.2
1.2
-1.2
-0.9
-0.6
-0.3
0
0.3
0.6
0.9
1.2
2
n figura 5.17 sunt prezentate rezultatele experimentale obinute n cazul implementrii

unui regulator fuzzy numai cu tabel de decizie grosier U g ( ek ,ek ) pentru reglarea vitezei
motorului. Performanele sistemului de reglare fuzzy a vitezei motorului nu sunt satisfctoare
chiar n cazul absenei cuplului de sarcin la axul motorului.
141
Fig. 5.17 Reglarea vitezei motorului cu regulator fuzzy cu tabel de decizie grosier
142

Pentru a obine performane mai bune ale sistemului de reglare fuzzy a turaiei motorului
se introduce i tabelul de decizie fin U f ( ek ,ek ) [Mastacan, 2006].
n tabelul 5.7 sunt prezentate valorile cuantizate ale universurilor E, E i U ale
mrimilor e, e i u, pentru reglarea fuzzy fin a vitezei motorului.
Tabelul 5.7 Cuantizarea universurilor E, E i U pentru reglare fuzzy fin
Q
E (rpm)
E (rpm)
U (V)
-5
-20
-0,3
-4
-16
-4
-0,2
-3
-12
-3
-0,15
-2
-8
-2
-0,1
-1
-4
-1
-0,05
+1
0,05
+2
0,1
+3
12
0,15
+4
16
0,2
+5
20
0,3
n tabelul 5.8 este prezentat tabelul de decizie fin U f ( ek ,ek ) pentru reglarea fuzzy fin
a vitezei motorului. Tabelul Mamdani de decizie fin U f ( ek ,ek ) conine valori ale variaiei
comenzii u mai mici, pentru valori cuantizate ale erorii e i variaiei erorii e mai mici.
Pentru calculul variaiei mrimii de comand fin s-a aplicat metoda prezentat n capitolul
4.2.4. Pentru orice observaie ( e*k , e*k ) din universul de intrare al regulatorului fuzzy E E
variaia mrimii de comand u*k se obine din tabelul de decizie fin U f ( ek ,ek ) aplicnd
relaia 4.100.
Rezultatele experimentale ale reglrii vitezei motorului cu regulator fuzzy cu tabel de
decizie grosier U g ( ek ,ek ) i tabel de decizie fin U f ( ek ,ek ) sunt prezentate n fig. 5.18,
pentru modificarea n treapt a mrimii de referin i n fig. 5.19, pentru modificarea n treapt a
mrimilor de referin i de perturbaie.
143

Tabelul 5.8 Tabel de decizie U f ( ek ,ek ) pentru reglare fuzzy fin
e
-5
-20 -0.3
-16
-12
-8
-4
e 0
4
8
12
16
20
-0.2
-0.15
-0.15
-0.1
-0.1
-0.05
-0.1
-0.1
0.2
0.3
-4
-3
-2
-1
-0.2 -0.15 -0.1 -0.05 -0.3 -0.05 -0.1 -0.15 -0.2
-0.3
-0.2
-0.15
-0.1
-0.05
-0.05
-0.05
0.1
0.15
0.2
0.2
-0.2
-0.15
-0.1
-0.05
0.1
0.05
0.1
0.15
0.2
0.3
-0.15
-0.15
-0.1
-0.05
-0.05
0
0.1
0.15
0.15
0.15
-0.1
-0.1
-0.1
-0.05
0
0.05
0.1
0.1
0.1
0.1
-0.05
-0.05
-0.05
-0.05
0
0.05
0.05
0.05
0.05
0.05
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.3
-0.05
-0.05
-0.05
-0.05
0
0.05
0.05
0.05
0.05
0.05
-0.1
-0.1
-0.1
-0.05
0
0.05
0.1
0.1
0.1
0.1
-0.15
-0.15
-0.1
-0.05
0.05
0.05
0.1
0.15
0.15
0.15
-0.2
-0.15
-0.1
0
0.05
0.05
0.1
0.15
0.2
0.2
Fig. 5.18 Reglarea vitezei motorului cu regulator fuzzy cu tabele de decizie grosier i
fin la modificarea n treapt a mrimii de referin
144
Fig. 5.19 Reglarea vitezei motorului cu regulator fuzzy cu tabele de decizie grosier i
fin la modificarea n treapt a mrimilor de referin i de perturbaie
Performanele sistemului de reglare a vitezei motorului cu regulator fuzzy cu tabele de
decizie grosier U g ( ek ,ek ) i decizie fin U f ( ek ,ek ) sunt foarte bune, att pentru
modificarea n treapt a mrimii de referin ct i pentru modificarea n treapt a mrimilor de
referin i de perturbaie.
Metoda de calcul a variaiei mrimii de comand obinut dintr-un tabel de decizie
grosier sau tabel de decizie fin (relaia 4.100 din capitolul 4.2.4) a fost validat prin
implementarea unei aplicaii de timp real pentru reglarea vitezei unui motor sincron fr perii.
Rezultatele cercetrii din acest paragraf au fost prezentate la dou conferine
internaionale [Dosoftei et. al., 2005], [Dosoftei et. al., 2008].
5.3.4 Sistem de reglare fuzzy a temperaturii unei baterii de nclzire

n acest paragraf este prezentat o structur de reglare fuzzy a temperaturii unei baterii de
nclzire. Regulatorul fuzzy este implementat n mediul de programare LabVIEW 8.5 printr-un
instrument virtual pe un PC echipat cu o placa de achiziie LabPC+.
Sistemul de reglare a temperaturii bateriei de nclzire cu regulator cu logic fuzzy este
prezentat n figura 5.20.
145
REF
+
-
Regulator fuzzy
CNA
CAN
Calculator echipat cu mediul

LabView
Placa de achizitie
LabPC
EE
ELT 162
BI
ES
Traductor
temperatura
Fig. 5.20 Schema bloc a sistemului de reglare unei baterii de nclzire

Bateria de nclzire este constituit dintr-o camer n care este montat o rezisten
electric de 2000 W, un ventilator cu dou viteze care introduce aerul rece, o clapet de obturare
i un traductor de temperatur de tip termorezisten Pt 100.
Elementul de execuie, prin intermediul cruia se poate modifica curentul de pe rezistena
de nclzire este realizat dintr-un variator de tensiune alternativ monofazat alctuit din dou
tiristoare montate antiparalel i un dispozitiv de comand pe gril. Dispozitivul de comand pe
gril necesit la intrare tensiune de comand ntre (18 V 0 V), pentru care corespunde o
variaie a unghiului de comand a tiristoarelor ntre 175 (cnd tiristoarele sunt blocate) i 5
(cnd tiristoarele sunt n conducie total).
Instalaia mai conine un adaptor rezisten-curent ce transform semnalul primit de la
termorezistena Pt 100 n semnal unificat. Adaptorul de tip ELT 160, pentru domeniul de
temperatur dintre 0C 300C, furnizeaz la ieire un curent unificat cuprins ntre
2 mA 10mA.
Placa LabPC+ a fost setat pentru intrri/ieiri analogice unipolare 0V10V. Semnalul
primit de la adaptor (2 10mA), este convertit n tensiune (2V 10V) prin intermediul unui
rezistor de un 1 K i un filtru trece jos pentru atenuarea perturbaiilor. Pentru comanda
elementului de execuie s-a realizat un convertor din domeniul (0V10V) n domeniul
(18V 0V).
Mrimile de intrare ale regulatorului cu logic fuzzy sunt eroarea e i variaia erorii e , iar
mrimea de ieire a regulatorului este variaia mrimii de comand u .
Algoritmul de reglare fuzzy implementat este
uk = U ( ek ,ek )
uk = uk 1 + uk
(5.22)
Algoritmul de reglare fuzzy (5.22), de tip cvasi-PI conine tabela de decizie U ( ek , ek ) .

146

Regulatorul cu logic fuzzy implementat pentru reglarea temperaturii bateriei de nclzire
conine dou tabele de decizie Mamdani: o tabel de decizie grosier U g ( ek , ek ) i o tabel de
decizie fin U f ( ek ,ek ) .
Universurile mrimilor de intrare e i e i universul mrimii de ieire u , ale
regulatorului cu logic fuzzy, sunt discretizate fiecare n 11 nivele de cuantizare.
Cele 11 nivelele de cuantizare sunt liniare i sunt repartizate uniform n mulimea de
cuantizare Q:
Q = {-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5}.
(5.23)

mrimilor e, e i u, pentru reglarea fuzzy grosier a temperaturii.
Q
-5
-4
-3
-2
-1
0
1
2
3
4
5
E ( oC )
-10
-8
-6
-4
-2
0
2
4
6
8
10
E ( o C )
-0.2
-0.16
-0.12
-0.08
-0.04
0
0.04
0.08
0.12
0.16
0.2
U (V)
-1.0
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1.0
Tabelul 5.10 prezint tabelul de decizie grosier U g ( ek , ek ) , cu valorile finale acordate,

pentru reglarea fuzzy grosier a temperaturii bateriei de nclzire.
Tabelul 5.10 Tabel de decizie grosier pentru reglarea fuzzy a temperaturii

147
e
e
-5
-4
-3
-2
-1
0
1
2
3
4
5
-5
-1.0
-0.8
-0.6
-0.6
-0.6
-0.4
-0.4
0
0.2
0.6
1.0
-4
-1.0
-0.8
-0.6
-0.6
-0.6
0
-0.4
-0.4
-0.6
1.0
1.0
-3
-1.0
-0.6
-0.6
-0.6
-0.4
0
-0.4
-0.4
-0.6
1.0
1.0
-2
-1.0
-0.6
-0.6
-0.6
-0.4
0
-0.2
-0.4
-0.4
1.0
1.0
-1
-1.0
-0.6
-0.4
-0.4
-0.4
0
-0.2
-0.2
-0.4
1.0
1.0
0
-1.0
0
0
0
0
0
0
0
0
0
1.0
1
-1.0
-0.4
-0.4
-0.2
0.2
0
0.4
0.4
0.4
0.6
1.0
2
-1.0
-0.6
-0.4
-0.2
0.2
0
0.4
0.4
0.6
0.8
1.0
3
-1.0
-0.6
-0.4
-0.2
0.2
0.2
0.4
0.6
0.6
0.8
1.0
4
-1.0
-0.6
-0.4
-0.2
0.2
0.2
0.4
0.6
0.8
0.8
1.0
5
-1.0
-0.8
-0.6
-0.2
0.2
0.2
0.6
0.6
0.8
0.8
1.0

mrimilor e, e i u, pentru reglarea fuzzy fin a temperaturii.
Q
-5
-4
-3
-2
-1
0
1
2
3
4
5
E ( oC )
-2.0
-1.6
-1.2
-0.8
-0.4
0
0.4
0.8
1.2
1.6
2.0
E ( o C )
-0.05
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
U (V)
-0.1
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
Tabelul 5.12 prezint tabelul de decizie fin U f ( ek ,ek ) , cu valorile finale acordate,
pentru reglarea fuzzy fin a temperaturii bateriei de nclzire.
Tabelul 5.12 Tabel de decizie fin pentru reglarea fuzzy a temperaturii
148
e
-5
-4
-3
-2
-1
0
1
2
3
4
5
-5
-0.1
-0.1
-0.08
-0.06
-0.06
0
-0.04
-0.04
-0.06
-0.08
-0.1
-4
-0.1
-0.08
-0.06
-0.06
-0.04
0
-0.04
-0.04
-0.04
-0.08
-0.08
-3
-0.08
-0.06
-0.06
-0.04
-0.04
0
-0.04
-0.04
-0.04
-0.06
-0.06
-2
-0.06
-0.06
-0.04
-0.04
-0.04
0
-0.02
-0.04
-0.04
-0.04
-0.04
-1
-0.06
-0.04
-0.04
-0.04
-0.02
0
-0.02
-0.02
-0.04
-0.04
-0.04
e
0
1
2
3
4
5
0
-0.04 -0.06 -0.08 -0.08 -0.1
0
-0.04 -0.06 -0.08 -0.08 -0.08
0
0.04 0.04 0.06 0.06 0.06
0
0.02 0.04 0.04 0.06 0.06
0
0.02 0.02 0.04 0.04 0.04
0
0
0
0
0
0
0
0.02 0.04 0.04 0.06 0.06
0
0.04 0.04 0.06 0.06 0.06
0
0.04 0.06 0.06 0.06 0.08
0
0.06 0.06 0.06 0.08 0.08
-0.04 0.06 0.06 0.08 0.08
0.1
Deoarece bateria de nclzire este un proces lent n timp cu timp mort, trecerea
regulatorului de pe tabelul de decizie grosier U g ( ek , ek ) pe tabelul de decizie fin
U f ( ek ,ek ) se face dup trei treceri prin zero ale erorii i ncadrarea erorii n universul de
discurs corespunztor pentru reglarea fuzzy fin. Dac n urma modificrii mrimilor de
perturbaie exterioare eroarea prsete universul de discurs corespunztor reglrii fine, sau dac
se modific mrimea de referin, algoritmul de reglare fuzzy revine pe tabelul de decizie
grosier U g ( ek , ek ) . n algoritmul de reglare fuzzy (5.16) pentru calculul variaiei mrimii de
comand u*k s-a aplicat metoda prezentat n capitolul 4.2.4. Pentru orice observaie ( e*k , e*k )
din universul de intrare E E al regulatorului fuzzy, variaia mrimii de comand u*k se
obine aplicnd relaia 4.100, n tabelul de decizie grosier U g ( ek ,ek ) sau n tabelul de decizie
fin U f ( ek ,ek ) n funcie de ncadrarea erorii de reglare e n universul de intrare E grosier sau
universul de intrare E fin.
Panoul frontal al aplicaiei n timp real permite interaciunea dintre operatorul uman i
sistemul de reglare figura 5.21. Prin intermediul acestui panou frontal, operatorul poate fixa
referina dorit. n acelai timp poate observa evoluia temperaturii n raport cu referina avnd i
alte informaii la dispoziie cum ar fi comanda, variaia comenzii, eroarea i variaia erorii.
n graficul 1 este reprezentat evoluia referinei i temperaturii, iar graficul 2 afieaz
comanda. Graficele 3 i 4 sunt folosite pentru urmrirea erorii respectiv a variaiei comenzii.
Monitorizarea erorii i variaiei erorii sunt importante, aa cum am vzut anterior n cazul
acordrii regulatorului fuzzy.
149
Fig. 5.21 Panoul frontal al aplicaiei n mediul LabView

Panoul frontal al aplicaiei n mediul LabView permite acordarea regulatorului fuzzy n
timp real prin modificarea manual a valorilor mrimilor de variaie a comenzii din tabelul de
decizie grosier U g ( ek , ek ) sau din tabelul de decizie fin U f ( ek ,ek ) conform fig. 5.22
a. tabel de decizie grosier
b. tabel de decizie fin
Fig. 5.22. Implementarea n LabVIEW a tabelelor de decizie

150

Diagrama bloc n LabVIEW a regulatorului fuzzy este prezentat n figura 5.23.
Fig. 5.23 Diagrama bloc a regulatorului fuzzy n mediul LabView

n figura 5.24 sunt prezentate rezultatele ncercrii experimentale pentru reglarea fuzzy a
temperaturii bateriei de nclzire cu regulatorul fuzzy neacordat corespunztor.
Sistemul de reglare fuzzy a temperaturii bateriei de nclzire este perturbat prin cele dou
mrimi de perturbaie: viteza ventilatorului i poziia clapetei de obturare.
Performanele sistemului de reglare fuzzy nu sunt satisfctoare.
151
a. evoluia temperaturii
b. evoluia comenzii
Fig. 5.24 Reglarea temperaturii cu regulator fuzzy neacordat
Pentru creterea performanelor sistemului de reglare fuzzy a temperaturii bateriei de
nclzire se acordeaz on-line regulatorul cu logic fuzzy prin procedeul ncercri i erori.
n figura 5.25 sunt prezentate rezultatele ncercrii experimentale ale sistemului de reglare
fuzzy a temperaturii bateriei de nclzire dup cteva etape de acordare a regulatorului fuzzy.
Se observ o mbuntire a performanelor de reglare prin reducerea suprareglrii i a
oscilaiilor temperaturii bateriei de nclzire.
152
b. evoluia comenzii
Fig. 5.25 Reglarea temperaturii cu regulator fuzzy acordat
n urma acordrii optime a regulatorului cu logic fuzzy se obin rezultatele experimentale
prezentate n figura 5.26. Performanele sistemului de reglare fuzzy a temperaturii bateriei de
nclzire sunt foarte bune att pentru modificarea n treapt a mrimii de referin ct i pentru
modificarea n treapt a mrimii de perturbaie.
153
b. evoluia comenzii
Fig. 5.26 Reglarea temperaturii cu regulatorul fuzzy acordat optim
Sistemul de control fuzzy implementat n mediul de programare LabVIEW se
demonstreaz a fi unul performant n cazul acestui proces termic lent, neliniar i cu timp mort.
Necunoaterea modelului matematic nu reprezint n cazul utilizrii unui regulator fuzzy un
impediment n obinerea unor performane bune.
Comanda are o variaie destul de uniform datorit metodei de interpolare implementat,
ceea ce este important i din perspectiva creterii duratei de via a elementului de execuie.
154

Metoda de calcul a variaiei mrimii de comand obinut dintr-un tabel de decizie
grosier sau tabel de decizie fin (relaia 4.100 din capitolul 4.2.4) a fost validat prin
implementarea unei aplicaii de timp real pentru reglarea temperaturii unei baterii de nclzire.
5.3.5 Sistem de reglare fuzzy a nivelului unui rezervor

n continuare este prezentat un sistem de control fuzzy, n timp real, al nivelului unui
rezervor. Regulatorul fuzzy este implementat printr-un instrument virtual n mediul de
programare LabVIEW 8.5. Instalaia de laborator pe care se face reglarea nivelului este DTS200
[Amira, 1993], format din trei rezervoare cilindrice R1, R2, R3 cu aceeai seciune transversal,
care sunt legate ntre ele printr-un sistem de conducte. n figura 5.27 este prezentat schema de
principiu a instalaiei.
P1
R3
R1
Q1
Q2
H1
H2
H3
C13
L1
P2
R2
C20
C32
L3
L2
Fig. 5.27 Schema de principiu a instalaiei DTS 200

Sistemul de control al nivelului H1, din rezervorul R1, are ca mrime de execuie debitul de
ap al pompei Q1. Nivelul maxim reglat este H1max = 60cm, comanda pompei putnd varia ntre
[0 - 16] Voli. Prin intermediul robinetelor L1 i C13, deschise iniial la 30%, se introduc
perturbaii n timpul funcionrii. Msurarea nivelului de lichid se face cu ajutorul unui traductor
piezo-rezistiv de presiune hidrostatic.
Panoul frontal al aplicaiei n LabView, este asemntor cu cel prezentat n figura 5.21, dar
diagrama bloc este modificat, innd cont de faptul c procesul de reglare al nivelului este mai
rapid n comparaie cu reglarea temperaturii.
Se folosete pentru interfaarea cu calculatorul placa de achiziie PCI 6024E produs de
firma National Instruments.
Regulatorul fuzzy pentru care s-au obinut performane bune este de tip cvasi-PI, cu
tabele de decizie de tip Mamdani pentru reglarea grosier i pentru reglarea fin. Mrimile de
155

intrare sunt eroarea e i variaia erorii e, iar mrimea de comand a regulatorului este
variaia mrimii de comand u.
Pentru valorile corespunztoare golurilor din baza de reguli, din tabelele de decizie
Mamdani, se folosete procedeul de calcul prezentat n paragraful 4.3.4, rel. (4.100).
n tabelele 5.13 i 5.14 sunt prezentate valorile cuantizate ale universurilor de discurs E,
E i U, pentru eroarea e , variaia erorii e i variaia mrimii de comand u pentru
reglarea fuzzy grosier respectiv fin.
Q
-5
-4
-3
-2
-1
0
1
2
3
4
5
E (cm)
-5
-4
-3
-2
-1
0
1
2
3
4
5
E (cm)
-0. 5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
U (V)
-4
-3.2
-2.4
-1,6
-0.8
0
0.8
1.6
2.4
3.2
4

Q
-5
-4
-3
-2
-1
0
1
2
3
4
5
E (cm)
-1.0
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1.0
E (cm)
-0.1
-0.08
-0.05
-0.03
-0.01
0
0.01
0.03
0.05
0.08
0.1
156
U (V)
-0.8
-0.64
-0.48
-0.36
-0.16
0
0.16
0.32
0.48
0.64
0.8

Universurile mrimilor de intrare e i e i universul mrimii de ieire u , ale
regulatorului cu logic fuzzy, sunt discretizate fiecare n 11 nivele de cuantizare.
Trecerea din tabelul de decizie grosier n tabelul de decizie fin se face de la prima intrare
a erorii n intervalul fin [-1, 1] cm.
n figura 5.28 sunt prezentate tabelul de decizie grosier i tabelul de decizie fin din
panoul frontal al instrumentului virtual impementat n mediul LabVIEW 8.5.
a. tabel de decizie grosier
b. tabel de decizie fin
Fig. 5.28 Panou frontal cu tabele de decizie Mamdani
S-a utilizat metoda de acordare a regulatorului fuzzy prin procedeul ncercri i erori,
care presupune modificarea parametrilor din tabelele de decizie, dup observarea efectelor
modificrilor, pe baza experienei operatorului.
n figura 5.29 sunt prezentate rezultatele experimentale pentru nivelul reglat, mrimea de
comand a regulatorului fuzzy, eroarea de reglare i variaia mrimii de comand. Performanele
de reglare obinute nu sunt satisfctoare.
157
Fig. 5.29 Reglarea nivelului

158

Suprareglarea mare a sistemului poate fi nlturat prin introducerea unui efect de
anticipare n tabelele de decizie.
Dup acordri succesive ale regulatorului fuzzy se obin performane bune ale sistemului
de reglare a nivelului att la modificrile n treapt a mrimii de referin ct i la modificrile n
treapt a mrimilor de perturbaie (nchiderea / deschiderea robineilor L1, C13).
n figura 5.30 sunt prezentate evoluiile nivelului din rezervorul R1, a comenzii pompei P1,
a evoluiei erorii i a incrementului comenzii.
n realizarea acestui sistem de reglare a nivelului nu s-a folosit modelul matematic al
procesului.
Sistemul de reglare fuzzy, n timp real, a nivelului, cu regulator fuzzy cvasi-PI prin
performanele bune obinute valideaz metoda propus pentru calculul variaiei mrimii de
comand obinut dintr-un tabel de decizie (relaia 4.100 din capitolul 4.2.4).
159
Fig. 5.30 Reglarea nivelului cu regulator fuzzy acordat optim

160

5.3.6 Modelul neuro-fuzzy ANFIS al cazanului de abur CPG 420 din CET Iai
Sistemele hibride neuro-fuzzy ANFIS, prezentate la punctul 2.6.1.5, pot fi utilizate ca

metode neconvenionale de identificare a proceselor industriale. Implementarea practic a
metodei ANFIS de modelare a unui proces industrial necesit cunoaterea detaliat a tehnologiei
de funcionare a acestuia.
Conform celor prezentate n capitolul 2, procedura de modelare este prezentat n figura
5.31.
Fig. 5.31 Procedura de modelare ANFIS

Metoda a fost utilizat pentru modelarea neuro-fuzzy a unui cazan cu abur de la CET Iai,
operaie realizat n cadrul contractului de cercetare (nr. A1/GR 164/19.05.2006, tema 53, cod
CNCSIS 510)
CET I Iai are n dotare: 3 cazane de abur tip RO-120 (C1, C2 i C3), 2 cazane de abur tip
CPG 420 (C4 i C5), 2 turbine cu abur tip LANG 25 (TA1 i TA2) i 2 turbine cu abur tip DSL
50 (TA3 i TA4), conform schemei termice de principiu din figura 5.32.
161
Fig. 5.32 Schema termic de principiu a CET 1 Iai

Parametrii de funcionare ai instalaiilor componente din CET Iai sunt obinui cu ajutorul
unui sistem de monitorizare a datelor.
n figura 5.33 este prezentat panoul de monitorizare a datelor pentru cazanul de abur
CPG 420 i pentru tamburul acestuia.
n scopul aplicrii metodei ANFIS de modelare neuro-fuzzy s- a folosit pachetul software
Fuzzy Logic Toolbox din Matlab.
Conform celor prezentate n partea teoretic din capitolul 2, pentru obinerea modelului
s-au folosit seturi de date de funcionare diferite, un set de date pentru antrenarea reelei ANFIS
i alt set de date pentru testarea modelului neuro-fuzzy obinut n urma etapei de antrenare.
Testarea modelului neuro-fuzzy pe alt set de date de funcionare este necesar n scopul
validrii modelului obinut, n special prin valoarea erorii de estimare.
Obinerea modelului neuro-fuzzy ANFIS al cazanului CPG 420 a necesitat etape de studiu
i de ncercri pentru gsirea numrului minim optim de reguli fuzzy din bazele de reguli fuzzy
n scopul reducerii gradului de complexitate al modelului neuro-fuzzy rezultat.
S-a obinut astfel un model neuro-fuzzy ANFIS cu grad redus de complexitate i cu
utilitate practic pentru instalaia menionat.
162
Fig. 5.33 Panou de monitorizare a cazanului de abur CPG 420

n vederea antrenrii i testrii unor structuri ANFIS care s modeleze comportarea
cazanelor de abur s-au folosit urmtoarele mrimi culese din proces, cu ajutorul sistemului
SCADA implementat la CET Iai:
Debitul de gaz metan (m3/h)
Debitul de ap de alimentare (m3/h)
Presiunea n tambur (bar)
Nivel tambur (mm)
Presiune abur viu pe bar (bar)
Debit abur viu (t/h)

Mrimile de intrare principale ale unui cazan de abur sunt: debitul apei de alimetare,
debitul de gaz metan, sau de pcur, presiunea n tambur, presiunea aburului viu pe bar.
Mrimea de ieire principal a unui cazan de abur este debitul de abur viu. Numrul mrimilor
de intrare are un rol hotrtor n obinerea unui model cu eroare de estimare acceptabil. Astfel,
dac se adopt pentru cazanul de abur CPG 420 un model ANFIS cu doar dou mrimi
principale de intrare: debitul de ap de alimetare i debitul de gaz metan se obin rezultatele din
figura 5.34 (datele preluate din sistem sunt reprezentate grafic cu simbolul ' * 'rou, iar modelul
rezultat cu simbolul oalbastru). [Mastacan, L., Olah I., Dosoftei C., 2006]
163
a.
b.
Fig. 5.34 Rspunsul modelului ANFIS cu 2 mrimi de intrare al
cazanului de abur CPG 420
Eroarea de estimare a modelului pe datele de testare este de 1,9852 prea mare pentru un
model cu utilitate practic. Nu se obin reduceri semnificative ale erorii de estimare nici dac se
introduc ca mrimi de intrare presiunea n tambur sau presiunea aburului viu pe bar. Eroarea
minim obinut n cazul cel mai favorabil a fost de 1,3336 pentru rspunsul din figura 5.35.
164
Fig. 5.35 Rspunsul modelului ANFIS cu 3 mrimi de intrare

al cazanului de abur CPG 420
S-au ncercat i alte variante de micorare a erorii de estimare a modelului prin micorarea
numrului de reguli fuzzy din baza de reguli. Complexitatea modelului ANFIS crete odat cu
numrul mrimilor de intrare i de ieire i cu numrul de partiii fuzzy ale universurilor de
discurs pentru fiecare variabil. S-au fcut un numr mare de ncercri pentru diverse variante
privind aspectele menionate. n urma studiilor efectuate s-a ajuns la urmtoarea concluzie.
Modelul cel mai performant care poate fi obinut pentru cazanul de abur CPG 420 are
6 mrimi de intrare: debitul de ap de alimetare, debitul de gaz metan, presiunea aburului viu pe
bar i valorile debitului de abur ntrziate cu 1, 2 i 3 perioade de eantionare.
n figura 5.36 este prezentat acest structur a modelului ANFIS cu 6 mrimi de intrare,
fiecare avnd 9 partiii pe universul su de discurs i cu baza de reguli redus la un minim de 9
reguli fuzzy.
165
Fig. 5.36 Structura modelului ANFIS cu 6 mrimi de intrare a cazanului de abur

n figura 5.37 este prezentat evoluia rspunsului modelului ANFIS cu 6 mrimi de
intrare al cazanului de abur CPG 420. Eroarea de estimare a modelui ANFIS a cazanului CPG
420 scade la 0,169.
Fig. 5.37 Rspunsul modelului ANFIS cu 6 mrimi de intrare al cazanului de abur CPG 420
166

5.3.7 Observaii generale asupra studiilor de caz prezentate
Soluiile teoretice noi, propuse n lucrare, de implementare a unor regulatoare cu logic

fuzzy pentru reglarea proceselor industriale au fost validate prin simulare precum i prin
realizarea unor sisteme de reglare fuzzy n timp real pe diverse platforme experimentale existente
n dotarea Catedrei de Automatic i Informatic Aplicat din cadrul Facultii de Automatic i
Calculatoare din Iai.
ncercrile experimentele au fost fcute pentru un spectru larg de aplicaii: att pe procese
cu dinamic lent, cu timp mort (baterie de nclzire a aerului) i puternic perturbate (rezervor),
ct i pe procese cu dinamic rapid (servomotoare electrice).
S-au obinut performane foarte bune ale sistemelor de reglare implementate prin utilizarea
unor regulatoare fuzzy de tip cvasi-PI cu tabele de decizie de tip Mamdani.
Conducerea optimal din punct de vedere energetic a unui sistem de poziionare cu ajutorul
unui regulator cu logic fuzzy duce la obinerea unor performane foarte bune pe tot parcursul
regimului tranzitoriu.
Pentru obinerea modelului unui sistem complex (cazanul CPG 420 din CET Iai) printr-un
sistem hibrid neuro-fuzzy ANFIS experiena proiectantului este decisiv n obinerea unui model
cu aplicabilitate practic.
Rezultatele obinute n capitolul acesta au fost publicate, n reviste de specialitate sau au
fost prezentate n cadrul unor conferine internaionale.
167
Concluzii
Capitolul 6
Concluzii
Prezenta lucrare abordeaz domeniul conducerii proceselor utiliznd tehnici ale inteligenei
computaionale bazate pe logica fuzzy i sisteme hibride neuro-fuzzy. Performanele ridicate
hardware i software ale sistemelor de calcul actuale permit dezvoltarea unor metode noi de
implementare i testare a algoritmilor de control fuzzy n timp real.
n prima parte a tezei sunt prezentate conceptele de baz ale inteligenei computaionale cu
cele trei domenii principale: logica fuzzy, reelele neuronale i algoritmii genetici, precum i
combinarea lor n sisteme hibride de tip neuro-fuzzy, neuro-genetic i genetic-fuzzy. Din
domeniul de cercetare abordat sunt prezentate detaliat metodele de implementare a regulatoarelor
cu logic fuzzy.
n capitolele 4 i 5 din tez sunt prezentate contribuiile personale, teoretice i practice, n
domeniul conducerii proceselor prin metodele neconvenionale ale inteligenei computaionale.
Pentru elaborarea tezei a fost studiat un vast material bibliografic referitor la problematica
abordat i la o serie de aspecte conexe acesteia. Pe parcursul perioadei de elaborare a tezei
autorul a participat la urmtoarele proiecte de cercetare tiinific:
Tehnici avansate aplicate n controlul sistemelor de acionare electric - C. Boan, A.
Onea,
F. Ostafi, C. Dosoftei, F. Horga, 2005-2007;
Creterea performanelor centralelor electrice de termoficare utiliznd tehnici de
inteligen computaional L. Mastacan, I. Olah, C. Dosoftei, D. Ivana, 2005-2007;
Sisteme inteligente si metode pentru optimizarea, monitorizarea si controlul reelelor de
termoficare - D. Popescu, C. Dosoftei et al., 2007-2008;
Rezultatele cercetrilor efectuate au fost confirmate prin publicarea a 5 lucrri tiinifice n
reviste de specialitate i a 10 lucrri tiinifice n volumele unor conferine tiinifice organizate
att n ar ct i n stintate (DAAM 2009, Viena; WSEAS 2009, Istambul; DAAM 2008,
Trnovo; Miskolc, 2005; SACCS Iai, etc.).
168
Concluzii
6.1 Contribuii
Elementele de originalitate propuse n cadrul acestei teze de doctorat se refer la sinteza
rezultatelor de baz existente n domeniu, la contributii teoretice i, respectiv aplicative.
A. Sinteza efectuat pe baza materialului bibliografic analizat este axat pe realizarea
unui studiu critic privitor la avantajele i dezavantajele aplicrii diferitelor tehnici ale inteligenei
computaionale n conducerea proceselor i pe prezentarea elementelor de baz care sunt utilizate
n cadrul lucrrii n dezvoltrile teoretice si aplicative.
B. Contribuii teoretice
Contribuiile teoretice se refer la dezvoltarea unor metode noi de inferen n bazele rare
de reguli fuzzy cu premize duble, cnd observaiile aparin unor goluri din regulile premiz.
Procesul de inferen fuzzy const n combinarea unor reguli de tipul dac-atunci pentru valorile
fuzzificate ale mrimilor de intrare, obinnd concluziile, care sunt folosite pentru a efectua
anumite aciuni n sistem. n bazele rare de reguli fuzzy atunci cnd observaiile corespund unor
goluri din regulile premiz, metodele convenionale de inferen fuzzy nu pot fi aplicate.
Atunci cnd observaiile din universurile de intrare aparin unor goluri din baza rar de
reguli fuzzy, elementul de originalitate este acela de a introduce, pentru aceste goluri, un
procedeu de obinere a concluziilor pe baza valorilor concluziilor cunoscute din baza de reguli.
Pentru bazele rare de reguli fuzzy cu premize duble, cnd observaiile aparin unor goluri
din regulile premiz, sunt dezvoltate trei metode noi de inferen fuzzy pentru urmtoarele
cazuri:
- pe ambele universuri de discurs ale intrrilor se consider funcii de apartenen ale
mulimilor fuzzy de tip trapezoidal;
mulimilor fuzzy de tip triunghiular;
mulimilor fuzzy de tip trapezoidal i triunghiular.
Prin prima metod de inferen fuzzy se determin n spaiul X Y Z al concluziei un
trunchi de piramid unic determinat de punctele caracteristice ale concluziilor regulilor
cunoscute care ncadreaz observaiile corespunztoare unor goluri, pe baza unor factori de
ponderare invers proporionali cu distanele fuzzy dintre suporturile i nucleele observaiilor care
nu activeaz nici o regul a bazei rare de reguli i suporturile i nucleele premizelor cunoscute.
Pentru cea de-a doua metod, n care se consider mrimi de intrare cu funcii de
apartenen de tip triunghiular pentru universurile de discurs, se obine pentru concluzie, n
spaiul X Y Z , o piramid.
Combinarea funciilor de apartenen de tip trapezoidal cu cele de tip triunghiular pe
fiecare univers de discurs al mrimilor de intrare duce la obinerea unei concluzii n spaiul
X Y Z de forma unui trunchi de piramid cu baza mic redus doar la o latur.
169
Concluzii
Plecnd de la baze rare de reguli fuzzy cu (2 2) reguli, metodele de raionament fuzzy
propuse se generalizeaz pentru baze rare de reguli fuzzy cu (n n) reguli.
Deoarece tabelele de decizie de tip Mamdani pot fi privite ca baze rare de reguli fuzzy se
propune o metod de calcul a mrimii de ieire dintr-un tabel de decizie atunci cnd mrimile de
intrare aparin golurilor din baza de reguli ale tabelului. Metoda propus poate fi aplicat n
implementarea regulatoarelor fuzzy cu tabele de decizie de tip Mamdani pentru obinerea unor
mrimi de comand cu variaii continue n universurile lor de discurs.
O contribuie teoretic de alt natur este reprezentat de realizarea unui sistem suboptimal
n care se impune variaia optimal a unei mrimi, urmrirea acesteia fiind asigurat de un
regulator fuzzy.
C.
Studii de caz
Metodele noi de inferen n baze rare de reguli cu premize duble, extinse la regulatoarele
cu logic fuzzy cu tabele de decizie de tip Mamdani, au fost validate prin simulare i prin
implementarea unor sisteme de reglare fuzzy n timp real a unor procese, cu dinamic rapid i
cu dinamic lent, existente n dotarea Catedrei de Automatic i Informatic Aplicat din cadrul
Facultii de Automatic i Calculatoare din Iai. Regulatoarele cu logic fuzzy sunt
implementate prin tabele de decizie de tip Mamdani n diverse limbaje/platforme de programare:
Matlab, C, LabVIEW.
Implementarea i testarea unor structuri de control fuzzy a fost fcut pentru urmtoarele
studii de caz:
Sistem de reglare fuzzy a vitezei unui motor de curent continuu
n acest caz, regulatorul cu logic fuzzy cu tabel de decizie de tip Mamdani a fost realizat
i validat prin simulare n mediul Matlab pentru modelul discret al unui motor de curent
continuu.
Sistem de poziionare optimal cu regulator fuzzy
Se calculeaz valoarea optimal din punct de vedere energetic a vitezei optimale pentru un
sistem de poziionare cu servomotor de curent continuu i se implementeaz n Matlab/Simulik o
structur de urmrire cu regulator fuzzy.
Sistem de reglare fuzzy a vitezei unui servomotor cu magnei permaneni
Implementarea i testarea algoritmului de reglare fuzzy n timp real s-a fcut pe structura
hardware MCK240 cu motor sincron. Algoritmul fuzzy a fost implementat n limbajul C,
ulterior fiind transformat n executabil i ncrcat la nivelul DSP-ului, prin interfaa serial a
sistemului. S-a implemetat un regulator fuzzy cu 2 tabele de decizie, un tabel pentru reglare
grosier i un tabel pentru reglare fin a vitezei servomotorului.
170
Concluzii
Sistem de reglare fuzzy a temperaturii unei baterii de nclzire
S-a implementat un sistem de reglare fuzzy n timp real a temperaturii unei baterii de
nclzire a aerului. Regulatorul cu logic fuzzy cu dou tabele de decizie de tip Mamdani a fost
realizat printr-un instrument virtual n mediul de programare grafic LabVIEW.
Sistem de reglare fuzzy a nivelului unui rezervor
S-a realizat un sistem de reglare fuzzy n timp real a nivelului lichidului dintr-un rezervor.
S-a implementat un regulator cu logic fuzzy cu dou tabele de decizie de tip Mamdani n mediul
de programare grafic LabVIEW.
Modelul neuro fuzzy ANFIS al cazanului de abur CPG 420 din CET Iai
Pe baza seturilor de date de funcionare preluate din CET Iai, se propune un model hibrid
neuro-fuzzy ANFIS pentru cazanul CPG 420. Se obine un model neuro-fuzzy ANFIS cu
aplicabilitate practic. n scopul aplicrii metodei ANFIS de modelare neuro-fuzzy, s-a folosit
pachetul software Fuzzy Logic Toolbox din Matlab.
6.2 Direcii viitoare de cercetare
Cercetrile viitoare se refer la extinderea metodelor de inferen propuse pentru cazul
bazelor rare de reguli fuzzy cu premize multiple precum i testarea acestora pe sisteme n timp
real. O alt direcie o reprezint dezvoltarea i implementarea unor sisteme de reglare cu
regulatoare hibride neuro-fuzzy. Modelele hibride neuro-fuzzy ANFIS pot fi utilizate n sisteme
de tip expert pentru conducerea proceselor complexe.
171
BIBLIOGRAFIE
[1] Abe S., Neural Networks and Fuzzy Systems, Kluwer Academic Publishers, 1997
[2] Altrock C., Fuzzy logic and Neuro Fuzzy Logic Applications Explained, Prentice Hall
Englewood Cliffs, 1995

[3] Arrazola I., Plainfoss I., Prade H., Testemale C., Extrapolation of Fuzzy Values
from Incomplete Data Bases, Information Systems, 14(6), 1989, pp.487-492.

[4] Azvine B., Azarmi N., Tsui K. C., Soft computing - a tool for building intelligent
systems, BT Technology Journal, vol. 14, no.4, 1996

[5] Babuska, R., Verbruggen H.B., An overview of fuzzy modeling for control, Control
Engineering Practice, Vol.4, No. 11, 1996, pp. 1593 1606.

[6] Back, T, Hammel U., Schwefel H.P., Evolutionary Computation: Comments on the
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
History and Current State, IEEE Transactions on Neural Networks, Vol. 5(1),
1997, pp. 120-129.
Baranyi P.. Koczy. L. T.. Gedeon. T. D.:A Generalized Concept for Fuzzy Rule
Interpolation. IEEE Trans. on Fuzzy Systems, vol. 12. No. 6., 2004, pp 820-837
Basheer I.A., Hajmeer M., Artificial neural networks: fundamentals, computing,
design, and application, Journal of Microbiological Methods, 43, 2000, pp. 3-31
Beasley D., Bull D.R., Martin R.R., An Overview of Genetic Alghorithms, Part 1,
Foundations, University Computing, Vol. 15, No. 4, 1993, pp170-181
Blanchini F., Pellegrino F.A.,
Relatively optimal control and its linear
implementation, IEEE Transactions on Automatic Control Vol. 48, 2003, pp.
2151- 2162
Bloch I., Petrosino A., Tettamanzi A., Fuzzy logic and applications, SpringerVerlag, 2006
Boan C., Ostafi F., Dumbrav S., Onea A., Linear Quadratic Optimal Control of an
Electrical Servo Drive System, Proceedings of the 10th International Power
Electronics & Motion Control Conference, EPE-PEMC 2002, Cavtat &
Dubrovnik, 2002
Boan, C., Ostafi, F., Horga, V., Suboptimal Control of Servo Drive Systems, WSEAS
Transactions on Mathematics, Issue 3, Vol. 5, March 2006, ISSN 1109-2769 , p.
308-313.
Boan, C., Horga, V., Optimal Control of the Electrical Drives With Induction
Motors, IEEE International Symposium on industrial electronics, Cambridge,
UK, 2008, CD-007935
173
[15]
Boan C., Ostafi F., Tehnici de optimizare, Ed. Politehium, Iai, 2009
[16] Bouchon-Meunier, B., Marsala, C.; Rifqi, M.: Interpolative Reasoning Based On
Graduality. In Proc. FUZZ-IEEE'2000, 2000 pp. 483-487.

[17] Burkhard D.G., Bonissone P.P., Automated fuzzy knowledge base generation and
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
tuning In: Proc. of the IEEE Int. Conf. on Fuzzy Systems, San Diego, 1992, pp.
179-196.
Castro J., Fuzzy logic controllers are universal approximators, IEEE Trans. on SMC
25,1995 pp. 629-635.
Dai X., Wang X., Neural Network Inverse Control of Curent-Fed Induction Motor,
IEEE International Symposium on industrial electronics, Cambridge, UK, 2008,
CD-008176
Dosoftei C., Besancon A., Olah I., Mastacan L., - Robust control structure for a twozone furnance - Proc. of the 7th International Symposium on Automatic Control
and Computer Science, SACCS 2001, Iai, Romnia,2001, 4 pp.,
Dosoftei C., Mastacan, L., Olah, I., Fuzzy Control of Velocity for a Brushless AC
Motor, 5th International Conference of PHD Students, University of Miskolc,
Hungary, 14-20 August, 2005, CD, 6 pp;
Dosoftei C., Olah, I., Mastacan, L., PID vs. Fuzzy Control in Industrial Temperature
Control Systems, Proc. of 4th International Conference on Electromechanical and
Power Systems, SIELMEN-2003, Chisinu, 2003, pp. 101-104
Dosoftei C., Mastacan, L., Olah, I., Speed Control System using a Fuzzy Logic
Controller, Annals of DAAAM for 2008 & Proceedings of the 19th International
DAAAM Symposium, ISBN 978-3-901509-68-1, ISSN 1726-9679, Trnava ,
Slovakia 2008.
Dosoftei, C., Mastacan, L., Fuzzy logic controller Cvasi-PD in an optimization
process, 11th Wseas Int.Conf. On Automatic Control, Modelling & Simulation,
Istanbul Turkey, 30 May-1June, 2009,
Dosoftei C., Mastacan, L., Graphical Fuzzy Inference Method In Sparse Rule Base,
The 3rd European DAAAM International Young Researchers and Scientists
Conference, Vienna, Austria2009 (acceptat spre publicare)
Driankov, D., Hellendson, H., Reinfrank M., An Introduction to Fuzzy Control,
Springer-Verlag, 1993
Dumitrache I., Buiu C., Algoritmi genetici. Principii fundamentale i aplicaii n
automatic, Editura Mediamira, Cluj-Napoca, 2000.
Dumitrache. I. Ingineria reglrii automate. SEd. Politehnica Press, Bucureti, 2005.
[29] Dumitrescu D., Algoritmi genetici i strategii evolutive, Microinformatica Cluj.
2000
174
[30]
Dumitrescu D., Costin H. Reele neuronale. Teorie i aplicaii, ed. Teora. 1996
[31] Engelbrecht A., Computational intelligence: An introduction, 2nd ed., Wiley Ed. ,
2007
[32] Filev D., Angelov P., Fuzzy optimal control, Fuzzy Sets and Systems, 47 (2). ISSN
0165, 1992, pp. 151-156.

[33] Fuller R.,Introduction to Neuro-Fuzzy Systems, Series: Advances in Intelligent and
Soft Computing , Vol. 2, ISBN: 978-3-7908-1256-5, 2000

[34] Gabasov R., Balashevich N.V., Kirillova F.M., On the Synthesis Problem for Optimal
Control Systems, SIAM Journal on Control and Optimization, 39, 4, 2001, pp.
1008-1042
[35] Gerhke M., Walker C.L., Walker E.A.. Normal forms and truth tables for fuzzy
logics. Fuzzy Sets And Systens, 138:2551, 2003.
[36] Goldschmidt, Dabrowski M., Frank P.M., The Amira FC Tool - A Fuzzy Control Tool
for Design and Real Time Applications, In: Proc.of TEMPUS/IAR Fuzzy
Duisburg '94, International Workshop on Fuzzy Technologies in Automation
and Intelligent Systems, Duisburg, 1994, pp. 301-312.
[37]
Grimble M.J. Industrial Control Systems Design, John Wiley & Sons, 2001
[38] Hagan M.T., Demuth H.B., Beale H., Neural Network Design, PWS Publishing Co.,
Boston, MA,1996.
[39] Hayashi Y., Buckley J. J., Approximations between fuzzy expert systems and neural
networks, Int. J. Approx. Reas., vol. 10, pp. 63.73, 1994

[40] Haykin S., Neural Networks - A Comprehensive Foundation, Macmillan College
Publishing Company, New York, 1999 (second edition).

[41] Helmke U., Moore J.B., Optimization and Dynamical Systems, Springer-Verlag,
1994.
[42] Horikawa S.I., Furuhashi T., Uchikawa Y., A New Type of Fuzzy Neural Network for
[43]
[44]
[45]
[46]
Linguistic Fuzzy Modelling, Proc. 2nd. Int. Conference on Fuzzy Logic and
Neural Networks, Iizuka, Japan, 1992, pp. 10531056.
Huanu C., Postolache M. Sisteme cu microprocesoare n conducerea automat a
proceselor, Ed. Academica, Iai, 2001;
Isermann R., Ernst S., Nelles O., Identification with Dynamic Neural Networks Architectures, Comparisons, Applications, Preprints of the IFAC Symposium on
System Identification, Vol. 3, Fukuoka, Japan, 1997, pp. 997-1022
Jang J., and C.T. Sun, NeuroFuzzy Modelling and Control, Proceedings IEEE,
83, (3), pp. 378406, 1995.
Jang J., Sun C.T., Mizutani E., Neuro-Fuzzy and Soft Computing. A Computational
Approach to Learning and Machine Intelligence, Prentice Hall, New Jersey,
1997.
175
[47] Jang J., Sun C.T., Neuro-Fuzzy Modeling and Control, IEEE Proc., Vol. 83., 1995,
pp. 378406.
[48]
Jantzen J., Foundation of Fuzzy Control John Wiley &Sons , England, 2007.
[49] Jenei. S., Interpolating and extrapolating fuzzy quantities revisited - an axiomatic
approach. Soft Computing, vol. 5, 2001 pp. 179-193

J., Adaptive fuzzy modelling and identification with its
applications, International Journal of Systems Science, Vol. 26, No.2, pp. 197212, 1995
Johanyk Z., Tikk D., Kovcs S., Wong K. W., Fuzzy rule interpolation Matlab
toolbox _ FRI toolbox, 15th Int. Conf. On Fuzzy Systems (FUZZ-IEEE'06),
Vancouver, Canada, 2006, pages 1427-1433
Kienitz K.H., Controller Design Using Fuzzy Logic - A Case Study. Automatica, vol
29(2), 1993, pp.549-554.
Kobayashi H.; Endo S.; Kobayashi S.; Kempf C.J., Robust digital tracking controller
design for high-speed positioning systems - a new design approach and
implementation techniques, Proceedings of 4th International Workshop on
Advanced Motion Control, Vol.1, 1996, pp. 65-70
Kuo S.M., Woong-Seng G., Digital Signal Processors. Arhitectures, Implementation
and Applications, Prentice Hall, 2003;
Kovacic Z., Bogdan S., Fuzzy controller design: theory and aplications, Control
engineering Series, CRC Press, Tazlor&Francis, 2006
Kovcs S., Kczy L. T., Fuzzy rule interpolation in vague environment In: Proc. of
the 3rd European Congress on Intelligent Techniques and Soft Computing.
Aachen, 1995, pp. 95-98.
Larsen P.M., Industrial application of fuzzy logic control, International Journal of
Man-Machine Studies, Vol. 12, 1980, pp. 3-10.
Lazr C., Vrabie D., Carari S., Sisteme automate cu regulatoare PID, ed. MatrixRom,
2004
Liu C.S., Yang J.C., Chen J.S., A normalized smoothing control scheme based on
fuzzy modeling for the control of DC brushless servo drives, Proceedings of 4th
International Workshop on Advanced Motion Control, Vol.1, 1996, pp. 29-34.
Mamdani E.H., Application of Fuzzy Algorithms for Control of Simple Dinamic Plant,
Proc. IEE, 121(12), 1974, pp.1585-1588
Mamdani E.H., Application of Fuzzy Logic to Approximate Reasoning Using
Linguistic Synthesis, IEEE Trans. on Computers, vol. C-26, 1977, pp. 11821191.
Massoum A., Fellah M., Wira P., Bendaoud A., Neuro-Fuzzy Control of a Singularity
Perturbed Permanent Magnet Syncronous Machine Fed by a Three Levels
[50] Jin, Y., Jiang J., Zhu
[51]
[52]
[53]
[54]
[55]
[56]
[57]
[58]
[59]
[60]
[61]
[62]
176
Inverter, IEEE International Symposium on industrial electronics, Cambridge,

UK, 2008, CD-013862
[63] Mastacan L., Olah I., Dosoftei C., Interpolation Techniques for Real Time Fuzzy
Control, Buletinul Institutului Politehnic Iasi, Tomul XLIX (LIII), Fasc. 1, 2002
[64] Mastacan, L., Olah I., Dosoftei C., Soft Computing Application for DC Motor Speed
Control, Buletinul Institutului Politehnic Iasi - Electrotehnic, Energetic,
Electronic, ISSN 1223-8139,2004, pp. 75-80
[65] Mastacan L., Olah I., Dosoftei C., Ivana D., Neuro-Fuzzy Models of Thermoelectric
Power Station Installations, Proc. of the International Conference on
Computational Intelligence for Modelling Control and Automation, CIMCA
2005, 28-30 November 2005, Vienna, Austria, ISBN-13: 978-0-7695-2504-4,
Vol I, pp. 899-904.
[66]
Mastacan L., Sisteme de reglare cu logic fuzzy Ed. Politehium, Iai, 2006
[67] Mastacan L., Olah I., Dosoftei C., Ivana D., Soft Computing ANFIS Models of the
[68]
[69]
[70]
[71]
[72]
[73]
[74]
Thermoelectric Power Station Installations , Proc. of the FOREN 2006, WEC

Regional Energy Forum, Neptun, Romania, 11-15 June 2006, Ed. Agir, ISBN
973-720-032-2, CD-ROM1, 10 pp.
Mastacan L., Olah I., Dosoftei C., Steam Flow Rate Neuro-Fuzzy Control System of
the CPG 420 Steam Boiler , Buletinul Institutului Politehnic din Iasi, Tomul LII
(LVI), Fasc. 5A, Electrotehnic, Energetic, Electronic, 4-th International
Conference on Electrical and Power Engineering EPE 2006, Iasi, Romania, pp.
111-116
Mastacan, L., Olah I., Dosoftei C., Pit Gas Flow Neuro-Fuzzy Control System of the
CPG 420 Steam Boiler, Buletinul Institutului Politehnic Iai - Electrotehnic,
Energetic, Electronic, LII (LVI), 5A, pp.101-106, 2006, ISSN 1223-8139;
Mastacan, L., Olah I., Dosoftei C., Temperature Fuzzy Control Using Virtual
Instrumentation, Buletinul Institutului Politehnic Iasi - Electrotehnic,
Energetic, Electronic, LIV (LVIII), Fasc. 4, pp. 623-628, ISSN 1223-8139,
2008,
Mastacan, L., Olah I., Dosoftei C., Water Level Neuro-Fuzzy Control System of the
CPG 420 Steam Boiler, Buletinul Institutului Politehnic Iasi - Electrotehnic,
Energetic, Electronic, LII (LVI), 5A, pp.107-110, 2006, ISSN 1223-8139;
Mirea L., Tehnici ale inteligenei artificiale aplicate la diagnoza proceselor
industriale, tez de doctorat, 2002.
Mirea L., Marcu T., System identification using a neuro-fuzzy technique, European
Conference on Intelligent Techniques ECIT2002, Iai, Romnia, CD-ROM
Proceedings, 2002
Mitchell M. An Introduction to Genetic Algorithms, MIT Press, 1996
177
[75] Mller D.P.F., Controllability in Fuzzy Systems, In: Proc.of TEMPUS/IAR Fuzzy
[76]
[77]
[78]
[79]
[80]
[81]
[82]
[83]
[84]
[85]
[86]
[87]
[88]
[89]
Duisburg '94, International Workshop on Fuzzy Technologies in Automation

and Intelligent Systems, Duisburg, 1994, pp. 395-404.
Muller B., Reinhardt J. - Neural Networks. An Introduction, Springer Verlag, 1990
No. 3, pp 378 406, 1995
Nauck D., Kruse R., Stellmach R. New Learning Algorithms for the Neuro-Fuzzy
Environment NEFCON-I. In Proc. Neuro-Fuzzy-Systeme'95, pp. 357-364,
Darmstadt, 1995.
Olah I., Pal C., Mastacan L., Ania L., Procese i instalaii energetice cu conversie
termodinamic, Editura Matrix Rom, Bucureti, 2005
Olah, I., Lupu, C., Mastacan, L., Dosoftei, C., Multivariable Process Control System
Implemented with Virtual Instrumentation. Proc. of 4th International Conference
on Electromechanical and Power Systems, SIELMEN-2003, Chisinu, vol 1,
ISBN 9975-9771-0-3, 2003, pp. 97-100
Pao Y.H., Adaptive Pattern Recognition and Neural Networks, Addison-Wesley
Publishing Company Inc., Reading, MA, 1989.
Pnescu, D. Sisteme bazate pe cunotine - reprezentarea cunoaterii, Editura
Matrixrom, 2000
Poole D., Mackworth A. And Goebel R. Computational Intelligence A logical
Approach, Oxford University Press, New York, (1998)
Preitl t., Precup R., Introducere n conducerea Fuzzy a proceselor. Ed. Tehnic,
Bucureti, (1997).
Reznik L., Fuzzy Controllers, Oxford OX2 8DP, Newnes, ISBN 0 7506 3429 4, 1997
pp. 78-93
Russell C.E., Yuhui S. Computational Intelligence Concepts to Implementations,
Elsevier, 2007.
Schar T., Jendrysik F., Boschen M., Kunemund T., Eichfeld H., Knowledge Base
Development Software for Fuzzy Coprocessor,EUFIT'96, Fourth European
Congress on Intelligent Techniques and Soft Computing, Aachen, 1996, pp.
2264-2268
Serac A., Roth H., Gardus V., Adaptive Fuzzy Controller For a MIMO System, In:
Proc.of EUFIT'96, Fourth European Congress on Intelligent Techniques and
Soft Computing, Aachen, 1996, pp.901-905.
Siler W., Fuzzy Expert Systems and Fuzzy Reasoning, Wiley-Interscience; 1st edition,
2004.
Sousa J.M, Babuka R., Verbruggen H.B., Some Computational Issues in Fuzzy
Predictive Control, Proc.of IFAC International Workshop on Artificial
Inteligence in Real-Time Control, Bled, Slovenia, 1995, pp. 66-70.
178
[90] Stoica A., Fuzzy processing based on alpha-cut mapping, Proc. of the 5th IFSA
World Congress (IFSA'93). Seoul, 1993, pp. 1266-1269.

[91] Sugeno, M., Industrial Applications of Fuzzy Control, Elsevier Science Publishers
B.V., New York, 1985.

[92] Takagi, T., Sugeno M., Fuzzy Identification of Systems and its Applications to
Modelling and Control, IEEE Trans. on Systems, Man and Cybernetics, 15, pp.
116-132, 1985.
[93] Tamas. K., Koczy. L. T. Selection from a fuzzy signature database by Mamdanialgorithm, Proceedings of the 6th International Symposium on Applied Machine
Intelligence and Informatics. Herlany. Slovakia., 2008 pp. 63-68
[94] Tan W, Marquez H. J, Chen T.W., Multivariable robust controller design for a boiler
system, IEEE Tran. on Control Systems Technology ,Vol. 10, 2002, pp. 735742.
[95] Turksen I.B., Zhong Z., An Approximate Analogical Reasoning Schema Based on
Similarity Measures and Interval-valued Fuzzy Sets, Fuzzy Sets and Systems,
vol. 34, 1990, pp. 323-346.
[96]
Zadeh L.A., Fuzzy Sets, Information and Control, Vol.8, 1965, pp. 338-353.
[97] Zadeh L.A., Knowledge Reprezentation in Fuzzy Logic, IEEE Trans. on Knowledge
and Data Engineering, vol.I (1), (1989). pp. 89-100.

[98] Zadeh L.A., The role of fuzzy logic in Modeling and control, Modeling, identification
and control, Vol.15, No.3,1994, pp. 191-203.

[99] Zhao Z., XieW.F., HongH., A fuzzy optimal controller for the mechatronic system
[100]
[101]
[102]
[103]
with non-smooth non-linearities, International Journal of Advanced Mechatronic

Systems - Vol. 1, No.2, 2008, pp. 90 - 99
Wong. K. W., Tikk. D., Gedeon T. D., Koczy. L. T. Fuzzy Rule Interpolation for
Multidimentional Input Spaces With Applications. IEEE Transactions on Fuzzy
Systems. ISSN 1063-6706. Vol. 13. No. 6. December. (2005) pp. 809-819
Wu, S. J. and Lin, C. T., Optimal Fuzzy Controller Design in Continuous Fuzzy
System: Global Concept Approach, IEEE Trans. Fuzzy Syst., 2000, vol. 8, pp.
713-729
*** Amira Laboratory Experiment Three-Tank System, Amira, GmbH, Duisburg,
1993
*** Digital Signal Processing Solutions for Motor control using the TMS320F240
DSP Controller;
[104]
*** MCK240 V1.0 User Manual, Tehnosoft, 1997;
[105]
*** LAbVIEW 8.5 User Manual, National Instruments, 2006
179
Anexa 1
%Implementarea n Matlab a unui sistem de reglare fuzzy a vitezei unui motor de curent
continuu.
clear;
clc;
t0=0;
k0=0;
tf1=5;
d=0.02;
Ra=3.1;
La=0.16;
Ce=0.56;
Cm=0.56;
Jr=0.028;
wd=25;
m=0.78;
ro=0.001;
Ac=[-ro/Jr Cm/Jr; -Ce/La -Ra/La];
Bc=[0; 1/La];
x0=[0;0];
xd=[wd 0]';
zd=xd;
Wc=[-1/Jr;0];
err_k=0;
ref=25;
derr=0;
kf1=fix(tf1/d);
[A B]=c2d(Ac,Bc, d);
[A1 W]=c2d(Ac,Wc, d);
uk=0;
xk=x0;
vit=zeros(fix(tf1/d)+1,1);
crt=zeros(fix(tf1/d)+1,1);
erroare=zeros(fix(tf1/d)+1,1);
variatie_err=zeros(fix(tf1/d)+1,1);
referinta=[ref+zeros(fix(tf1*0.75/d)+1,1);0.7*ref+zeros(fix(tf1*0.25/d)+1,1)];
variatie_iesire=zeros(fix(tf1/d)+1,1);
Wm=[ones(fix(tf1/(2*d))+1,1);1.3+ones(fix(tf1/(2*d)),1)];
delta_tensiune=0;
U=zeros(fix(tf1/d)+1,1);
180
comanda=[-5 -5 -5 -5 -5 -5 -5 -5 -5 -5 -5;
-5 -5 -5 -4 -4 -4 -5 -5 -5 -4 -3;
-4 -4 -4 -3 -3 -3 -4 -3 -3 -3 0;
-4 -4 -3 -3 -2 -2 -1 -1 0 1 1;
-4 -4 -3 -2 -1 0 0 1 1 2 2;
-2 -1 -1 -1 0 0 0 1 1 2 2;
-2 -2 -1 -1 0 0 2 2 3 3 3;
-1 -1 0 1 1 2 3 3 4 4 4;
0 3 3 3 4 4 4 4 5 5 5;
3 4 5 5 5 5 5 5 5 5 5;
5 5 5 5 5 5 5 5 5 5 5];
cuanta=[-5 -4 -3 -2 -1 0 1 2 3 4 5];
eroare=[-100 -80 -60 -40 -20 0 20 40 60 80 100]*ref/400;
variatie_eroare=[-20 -16 -12 -8 -4 0 4 8 12 16 20]*1/40;
variatie_tensiune=[-2 -1.2 -0.9 -0.6 -0.3 0 0.3 0.6 0.9 1.2 2]/2;
for i=1:kf1
err_k=referinta(i)-xk(1);
var_e_k=err_k-derr;
if err_k>eroare(length(eroare))
%err_k=eroare(length(eroare));
cuanta_err=11;
interpolare=0;
else
if err_k<eroare(1)
%err_k=eroare(1);
cuanta_err=1;
interpolare=0;
else
indice=1;
while (eroare(indice)<err_k)
indice=indice+1;
end;
indice=indice-1;
if err_k==eroare(indice+1)
interpolare=0;
cuanta_err=indice+1;
else
interpolare=1;
cuanta_err=indice;
end;
end;
end;
if var_e_k>variatie_eroare(length(variatie_eroare))
%var_e_k=variatie_eroare(length(variatie_eroare));
cuanta_var=11;
else
if var_e_k<variatie_eroare(1)
%var_e_k=variatie_eroare(1);
cuanta_var=1;
else
181
indice_v=1;
while (variatie_eroare(indice_v)<var_e_k)
indice_v=indice_v+1;
end;
indice_v=indice_v-1;
if var_e_k==variatie_eroare(indice_v+1)
interpolare1=0;
cuanta_var=indice_v+1;
else
interpolare1=1;
cuanta_var=indice_v;
end;
end;
end;
if cuanta_err==11
cuanta_err=10;
end
if cuanta_var==11
cuanta_var=10;
end
cuanta_u11 = comanda(cuanta_err,cuanta_var) + 6;
cuanta_u21 = comanda(cuanta_err+1,cuanta_var) + 6;
cuanta_u12 = comanda(cuanta_err,cuanta_var+1) + 6;
cuanta_u22 = comanda(cuanta_err+1,cuanta_var+1) + 6;
e1 =(eroare(cuanta_err+1)-err_k)/(eroare(cuanta_err+1)-(eroare(cuanta_err)));
e2 =(err_k-eroare(cuanta_err))/(eroare(cuanta_err+1)-(eroare(cuanta_err)));
ve1=(variatie_eroare(cuanta_var+1)-var_e_k)/(variatie_eroare(cuanta_var+1)-variatie_eroare(cuanta_var));
ve2=(var_e_k-variatie_eroare(cuanta_var))/(variatie_eroare(cuanta_var+1)-variatie_eroare(cuanta_var));
delta_tensiune
=e1*ve1*variatie_tensiune(cuanta_u11)+e2*ve1*variatie_tensiune(cuanta_u21)+e1*ve2*variatie_tensiune(cuanta_
u12)+e2*ve2*variatie_tensiune(cuanta_u22);
uk=uk+delta_tensiune;
if uk>24
uk=24;
else if uk<0
uk=0
end;
end;
U(i)=uk;
vit(i)=xk(1);
crt(i)=xk(2);
erroare(i)=err_k;
variatie_err(i)=err_k-derr;
variatie_iesire(i)=delta_tensiune;
xk=A*xk+B*uk+W*Wm(i)*m;
i=i+1;
182
derr=err_k
end;
timp=0:d:tf1;
subplot(3,1,1);plot(timp, 9.55*referinta, 'b', timp, 9.55*vit,'r');
hold;
subplot(3,1,2);plot(timp, U, 'g');
subplot(3,1,3);plot(timp, variatie_iesire,'y');
183
Anexa 2
% Program de reglare a vitezei unui motor sincron brushless AC, metoda de reglare-fuzzy
implementat pe platforma educationala de control motoare (MCK240)
#include
"fuzzy.h"
int
int
int
cuanta[11]
eroare[11]
eroareF[11]
= {-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5};

= {-100, -80, -60, -40, -20, 0, 20, 40, 60, 80, 100};
= {-20, -16, -12, -8, -4, 0, 4, 8, 12, 16, 20};
int
int
variatie_eroare[11] = {-20, -16, -12, -8, -5, 0, 5, 8, 12, 16, 20};

variatie_eroareF[11] = {-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5};
float variatie_tensiune[11] = {-2, -1.2, -0.9, -0.6,-0.3, 0, 0.3, 0.6, 0.9, 1.2, 2};
float variatie_tensiuneF[11] = {-0.3, -0.2, -0.15, -0.1,-0.05, 0, 0.05, 0.1, 0.15, 0.2, 0.3};
int
comandaG[11][11]=
{{-5,-4,-3,-2,-1, -5,-1,-2,-3,-4,-5},
{-4,-4,-3,-2,-1, -4,-1,-2,-3,-4,-4},
{-3,-3,-3,-2,-1, -3,-1,-2,-3,-3,-3},
{-2,-2,-2,-2,-1, -2,-1,-2,-2,-2,-2},
{-1,-1,-1,-1,-1, -1,-1,-1,-1,-1,-1},
{-5, -5, -5, -4, -3, 0, 0, 0, 0, 0, 0},
{-5, -5, -4, -3, -2, 1, 1, 1, 1, 1, 1},
{-5, -4, -3, -2, -1, 2, 1, 2, 2, 2, 2},
{-3, -3, -2, -1, 0, 3, 0, 2, 3, 3, 3},
{-2, -2, -1, 0, 0, 4, 1, 2, 3, 4, 4},
{ 5, 5, 5, 5, 5, 5, 1, 2, 3, 4, 5}};
int
comandaF[11][11] =
{{-5,-4,-3,-2,-1, -5,-1,-2,-3,-4,-5},
{-4,-4,-3,-2,-1, -4,-1,-2,-3,-4,-4},
{-3,-3,-3,-2,-1, -3,-1,-2,-3,-3,-3},
{-3,-2,-2,-2,-1, -2,-1,-2,-2,-2,-2},
{-2,-1,-1,-1,-1, -1,-1,-1,-1,0,-1},
{ -2, -1, -1, 0, 0, 0, 0, 0, 1, 1, 2},
{ -1, -1, 0, 1, 1, 1, 1, 1, 1, 1, 2},
{ -2, 2, 2, 2, 1, 2, 1, 2, 2, 2, 2},
{ -2, 3, 3, 2, 1, 3, 1, 2, 3, 3, 3},
{ 4, 4, 3, 2, 1, 4, 1, 2, 3, 4, 4},
{ 5, 4, 3, 2, 1, 5, 1, 2, 3, 4, 5}};
int i;
int viteza_old;
184
int cuanta_eroare;
int cuanta_var_eroare;
float tensiune_comanda;
float tensiune_old;
long eroare_vit;
long eroare_vit_old;
long var_eroare_vit;
int cuanta_u;
float delta_tensiune;
float e1,e2,ev1,ev2;
/************************/
/* Regulator viteza
/* intrare omg_ref, omg
/* iesire tensiune
/***************************/
void pi_reg_omg()
{
}
char alegere_grosier; /* 0 - fin; 1- grosier*/
void pi_reg_iq()
{
asm("\tSETC OVM");
eroare_vit = omg_ref;
eroare_vit = eroare_vit - omg; /*eroare viteza in rotatii pe minut*/
var_eroare_vit = (eroare_vit - eroare_vit_old); /*variatia eroare viteza in rotiri pe
minut*/
if ( (eroare_vit < eroareF[0] ) && (eroare_vit > eroareF[10] ) )
{
alegere_grosier = 0;
i = 0;
while(eroareF[i] < (int)eroare_vit)
{
i++;
}
i--;
cuanta_eroare = i;
if ((int)var_eroare_vit < variatie_eroareF[0] )
cuanta_var_eroare = 0;
else
{
185
if ((int)var_eroare_vit >= variatie_eroareF[10] )

else
{
i = 0;
while(variatie_eroareF[i] < (int)var_eroare_vit)
{
i++;
}
i--;
cuanta_var_eroare = i;
}
else
{
alegere_grosier = 1;
if ( (int)eroare_vit > eroare[10] )
cuanta_eroare = 10;
else
{
if ((int)eroare_vit < eroare[0])
cuanta_eroare = 0;
else
{
i = 0;
while(eroare[i] < (int)eroare_vit)
{
i++;
}
i--;
cuanta_eroare = i;
}
}
if ((int)var_eroare_vit < variatie_eroare[0] )
else
{
if ((int)var_eroare_vit >= variatie_eroare[10] )
else
{
i = 0;
while(variatie_eroare[i] < (int)var_eroare_vit)
{
i++;
}
i--;
cuanta_var_eroare = i;
}
}
186
}
if(!alegere_grosier)
{
e1 = (eroareF[cuanta_eroare+1] - eroare_vit)/(eroareF[cuanta_eroare+1] eroareF[cuanta_eroare]);
e2 = (eroare_vit - eroareF[cuanta_eroare])/(eroareF[cuanta_eroare+1] eroareF[cuanta_eroare]);
ev1 = (variatie_eroareF[cuanta_var_eroare+1] var_eroare_vit)/(variatie_eroareF[cuanta_var_eroare+1] variatie_eroareF[cuanta_var_eroare]);
ev2 = (var_eroare_vit - variatie_eroareF[cuanta_var_eroare]) /
(variatie_eroareF[cuanta_var_eroare+1] - variatie_eroareF[cuanta_var_eroare]);
delta_tensiune =
e1 * ev1 * variatie_tensiuneF[comandaF[cuanta_eroare][cuanta_var_eroare]+5] +
e2 * ev1 * variatie_tensiuneF[comandaF[cuanta_eroare+1][cuanta_var_eroare]+5] +
e1 * ev2 * variatie_tensiuneF[comandaF[cuanta_eroare][cuanta_var_eroare+1]+5] +
e2 * ev2 * variatie_tensiuneF[comandaF[cuanta_eroare+1][cuanta_var_eroare+1]+5];
}
else
{
e1 = (eroare[cuanta_eroare+1] - eroare_vit)/(eroare[cuanta_eroare+1] eroare[cuanta_eroare]);
e2 = (eroare_vit - eroare[cuanta_eroare])/(eroare[cuanta_eroare+1] eroare[cuanta_eroare]);
ev1 = (variatie_eroare[cuanta_var_eroare+1] var_eroare_vit)/(variatie_eroare[cuanta_var_eroare+1] - variatie_eroare[cuanta_var_eroare]);
ev2 = (var_eroare_vit - variatie_eroare[cuanta_var_eroare]) /
(variatie_eroare[cuanta_var_eroare+1] - variatie_eroare[cuanta_var_eroare]);
delta_tensiune =
e1 * ev1 * variatie_tensiune[comandaG[cuanta_eroare][cuanta_var_eroare]+5] +
e2 * ev1 * variatie_tensiune[comandaG[cuanta_eroare+1][cuanta_var_eroare]+5] +
e1 * ev2 * variatie_tensiune[comandaG[cuanta_eroare][cuanta_var_eroare+1]+5] +
e2 * ev2 * variatie_tensiune[comandaG[cuanta_eroare+1][cuanta_var_eroare+1]+5];
}
tensiune_comanda = tensiune_comanda + delta_tensiune ;
tensiune_comanda = 32767*tensiune_comanda/15;
if (tensiune_comanda > 33000) tensiune_comanda = 33000;
if (tensiune_comanda < -33000) tensiune_comanda = -33000;
u_q_ref = (int)(tensiune_comanda);
tensiune_comanda = (float)u_q_ref*15/32767;
187
eroare_vit_old = eroare_vit;
asm("\tCLRC OVM");
}
void init_pi_reg_omg()
{
omg = 0;
omg_ref = 0;
i_q_ref=0;
u_q_ref = 0;
eroare_vit = 0;
eroare_vit_old = 0;
var_eroare_vit = 0;
cuanta_eroare = 0;
cuanta_u = 0;
delta_tensiune =0;
tensiune_comanda = 0;
tensiune_old = 0;
}
void init_pi_reg_iq()
{
}
188

2009-Dosoftei Catalin PHD 2009 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

2009-Dosoftei Catalin PHD 2009 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA TEHNIC GH.

Utilizarea inteligenei computaionale n

Ing. Constantin-Ctlin Dosoftei

Comisia de analiz i susinere a tezei de doctorat

1. Prof. dr. ing. VASILE-ION MANTA preedinte

Lucrarea reprezint rezultatul activitii de cercetare desfurat n cadrul

3.3 Regulatoare fuzzy cvasi-tipizate....................................................................

Capitolul 4 Mecanisme de inferen n bazele rare de reguli fuzzy ... 81

Capitolul 5 Implementarea unor structuri de control cu regulatoare

Capitolul 6 Concluzii ..............................................................................

Principalul scop tiinific al inteligenei computaionale const n nelegerea principiilor

2.1 Inteligena artificial baza inteligenei computaionale

Fig. 2. 1 Elementele de baz a unui sistem inteligent

2.2 Subdomeniile inteligenei computaionale

Fig. 2.2 Sisteme inteligente

2.3 Logica fuzzy

Construirea unei mulimi fuzzy depinde de stabilirea universului de discurs i a funciei

n figura 2.3 sunt ilustrate definiiile de mai sus.

Fig. 2. 3 Noiuni de baz ale mulimilor fuzzy

Tietura- puternic a mulimii fuzzy A este dat de:

(a) Dou mulimi fuzzy convexe

(b) O mulime fuzzy non-convex

Fig. 2.4 Mulimi fuzzy convexe (a) i non-convexe (b)

2.3.2 Funcii de apartenen

sau, folosind funciile min i max:

- Funcia de apartenen trapezoidal: se definete cu ajutorul a patru parametri {a, b, c, d}

sau, folosind funciile min i max:

- Funcia de apartenen gaussian: se definete prin intermediul a doi parametri {c, }

Parametrul c se numete centrul funciei de apartenen, iar determin lrgimea funciei de

Fig. 2.5 Tipuri de funcii de apartenen

xX, A(x) = B(x)

Conectorul I (operatorul I) = intersecia mulimilor fuzzy

i se evalueaz (de exemplu) prin operatorul minim (MIN), conform regulii:

Conectorul SAU (operatorul SAU) = reuniunea mulimilor fuzzy

i se evalueaz (de exemplu) prin operatorul maxim (MAX), conform regulii:

Operatorul de complementare fuzzy sau de negare fuzzy

Operatorul produs (PROD)

R 1 o R 2 = {(( x, z), max min{ R1 ( x, y), R 2 ( y, z)}) / x X, y Y, z Z}

a crei funcie de apartenen este:

R1oR 2 ( x, z) = max min{ R1 ( x, y), R 2 ( y, z)}

Un alt tip de compunere a dou relaii fuzzy este compunerea max-produs.

R1oR 2 ( x, z) = max( R1 ( x, y) R 2 ( y, z)) ,

Fig. 2.6 Exemplu de variabil lingvistic

unde A i B sunt valori lingvistice caracterizate de mulimi fuzzy definite pe universurile de

R = A B = {[(x, y), A ( x ) B ( y)] /( x, y) X Y} ,

n care A ( x ) i B ( y) sunt funciile de apartenen ale mulimilor fuzzy ce caracterizeaz

- R ( x, y) = sup{c / A ( x ) c B ( y), 0 c 1} , n care ' ' este operator de tip norma-T.

Fig. 2.7 Raionament fuzzy folosind o regul fuzzy cu o premiz

raionamentului fuzzy, este:

= [ A ' ( x ) B' ( y) [ A ( x ) B ( y)] C (z) =

= { [ A ' ( x ) A ( x )]} { [ B' ( y) B ( y)]} C (z) = ( w 1 w 2 ) C (z)

unde w1 i w2 reprezint maximele funciilor de apartenen ale A A ' i, respectiv, B B' . n

C' = [A'oR1 ] [B'oR 2 ] ,

Figura 2.8 Raionament fuzzy folosind o regul fuzzy cu dou premize

atunci puterea de activare a regulii este dat de maximul gradelor de compatibilitate

C' = (A'B' ) o (R1 R 2 ) = [A'B' ) o R1 ] [(A'B' ) o R 2 ] = C1 'C 2 ' ,

unde C1' i C2' sunt consecinele regulilor 1 i, respectiv, 2 considerate separat.

2.4 Reelele neuronale artificiale

Fig. 2.9 Schia unui neuron biologic

Fig. 2.10 Reeaua neuronal privit ca un graf orientat

Fig. 2.11 Structura unui neuron

funcia tangent hiperbolic:

funcia limitator hard cu dou stri: