Professional Documents
Culture Documents
Rrjetat Fuzzy Neurale
Rrjetat Fuzzy Neurale
Rrjetat Fuzzy Neurale
Ahmet SHALA
PO ZE NE PO ZE NE PO ZE NE
S1 S2 S3 L1 S4 S5 S6 L2
S7
S8 S9
L3
PRISHTIN, 2006
PJESA - I
I.1. Parathnie
Vitet e fundit kan dshmuar rritje n numr dhe llojshmri t prdorimit t Rregullatorve Fuzzy Logic (Fuzzy Logic Controller FLC). Nga vet kuptimi i fjals fuzzy-artsim rrjedh kuptimi themelor i saj. Prdorimi i tyre ka gjetur vend n prodhimet si jan: kamerat, camcorders, makinat larse, furrat mikrovalore tek proeset e rregullimit n industri, pajisjet medicinale, sistemet vendosse-mbshtetse, automobilizm dhe robotik. Pr t kuptuar m mir arsyen e rritjes s prdorimit t FLC-s, spari duhet t qartsojm se ka kuptojm me FLC. FLC ka dy domethnie t ndryshme. N kuptimin e ngusht, FLC paraqet sistem logjik, i cili sht zgjerim i logjiks shumvlershe. Por n kuptimin e gjr, q dominon n ditt e sotme, FLC sht sinonim me teorin e strukturave fuzzy, teori e cila varet prej llojit t objekteve me kufij t hapur n t cilt antari ka rol kryesore. sht me rndsi t ceket se vetm n kuptimin e ngusht, agjenda e FLC-ve sht shum e ndryshme, prej agjends s sistemeve logjike shumvlershe t zakonshme, si pr nga veprimi ashtu edhe substanca. far duhet t shtohet kuptimit themelor t FLC-ve jan variablat linguistike, t cilat variabla vlerat e t cilave jan m tepr fjal se numra. Megjithse fjalt jan mpak t sakta se numrat, prdorimi i tyre sht shum i afrt me intuitn njerzore. Gjithashtu llogaritja me fjal prdort me qllim t arritjes s zgjedhjes me mim sa m t ult. Tjetr kuptim themelor i FLC-ve, q luan rol qendror n shum prdorime, jan rregullat fuzzy t ashtuquajtura if-than (nse-ather) ose thjesht rregullat fuzzy. Lidhur me kt sht e rndsishme t nnvizohet se n shumicn e prdorimeve t FLC-ve, zgjedhja fuzzy logjike n realitet sht tendenc e zvendsimit t zgjedhjes njerzore. far i bn FLC-t t preferueshme sht fakti se shumica e arsyejeve dhe koncepteve njerzore sht e realiazuar me prdorim t rregullave fuzzy. Teoria e FLC-ve sht aplikuar mjaft mir n softverin MATLAB, q sht ndrtuar nj arkiv-veglash (Toolbox) e veant, nga kompania e mirnjohur e softverve MATHWORKS.
FLC-t nganjher duken t vjetruara sidomos pr ata q nuk jan t njohur me to, por pasi q t fitoni njohuri t mjaftueshme lidhur me to do ti pranoni. FLC-t jan edhe t vjetra edhe t reja, por shkenca mbi FLC-t sidomos n kombinim me ANN-t dhe GA-t sht mjaft e re.
Figura I-1. FLC-t jan t prshtatshme pr t pasqyruar nj hapsir t hyrjeve n nj hapsir t daljeve. Kjo sht pika fillestare pr do gj, dhe ktu rndsi t madhe ka fjala prshtatshme. Pasqyrimin e hapsirs s hyrjeve n hapsirn e daljeve po e sqarojm prmes disa shembujve: Ju m tregoni far ka qen shrbimi n restorant dhe un do t ju tregoj se sa duhet t jet shprblimi (bakshishi). Ju m tregoni se sa t nxeht e dshironi ujin dhe un do t rregulloj valvulat si duhet. Ju m tregoni se sa larg nga ju sht subjekti dhe un do t rregulloj fokusin pr ju. Ju m tregoni se sa shpejt sht duke shkuar vetura dhe me far force sht duke punuar motori dhe un do t ndrroj shpejtsit pr ju.
Planifikimi i nj hyrje-dalje pr caktimin e shprblimit: Sipas kualitetit t shrbimit sa duhet t jet shprblimi?
Figura I-2. 5
Tr kjo ka t bj vetm me planifikim e hyrjeve n drejtim t daljeve t prshtatshme. Ndrmjet hyrjeve dhe daljeve kemi vendos kutin e zez q e kryen kt pun. N kutin e zez mund t vendosim: fuzzy sisteme, sisteme lineare, sisteme eksperte, rrjeta neurale, ekuacione diferenciale, tabela interpoluese shumdimensionale, etj. Pra mund t jet do gj ka do t vendosim n kutin e zez q ajo t punoj? Le t themi se m t prshtatshmet jan FLC-t, por menjher shtrohet pyetja pse? N kt do t citojm Lotfi Zadeh, i cili konsiderohet si baba i FLC-ve, njher ka nnvizuar: "Pothuajse n do rast ju mund t ndrtoni rregullatorin (prodhimin) tuaj pa fuzzy logic, por FLCt jan t shpejta dhe t lira."
N vijim do t paraqesim nj varg t konkludimeve rreth FLC-ve: 1) Koncepti i FLC-ve sht i leht pr tu kuptuar. 2) Konceptet matematikore pas arsyeve fuzzy jan shum t thjeshta. Kjo i bn FLC-t shum natyrale dhe jo komplekse. 3) FLC-t jan fleksible. Pr nj sistem t dhn, sht leht t adresohen dhe funksionalizohen. 4) FLC-t jan tolerante ndaj llojllojshmris s t dhnave. do gj sht e mundur vetm duhet shiquar mjaft afr me nj hulumtim t kujdesshm. Fuzzy arsyet e bjn t kuptueshm kt proces deri n fund. 5) FLC-t mund t modelojn funksionet jolineare t kompleksiteve arbitrare. Kjo arrihet me kombinim me ANN-t duke i prdorur teknikat adaptive si jan ANFIS (Adaptive NeuroFuzzy Inference Systems). 6) FLC-t mund t ndrtohen bazuar n eksperiencn e ekspertve, prkundr ANN-ve t cilat e bjn msimin e t dhnave me nj gjenerim t padukshm, modele t padeprtueshme. FLC-t ju lejojn t mshteteni n eksperiencn e njerzve q ve e kuptojn sistemin tuaj. 7) FLC-t mund t bashkohen me teknikat konvencionale t rregullimit, por FLC-t nuk sht e thn q ti zvendsojn ato. N shum raste FLC-t e rrisin dhe e thjeshtojn prdorimin e rregullatorve konvencional. 8) FLC-t jan t bazuara n gjuhn natyrore. Baza e FLC-ve sht baza e komunikimit njerzor. Konkludimi i fundit sht ndoshta m i rndsishmi dhe krkon m shum diskutim. Gjuha natyrale, q prdoret nga njerzit e zakonshm, sht zhvilluar pr mijra vjet t historis s njeriut, q t jet e prshtatshme dhe efikase. Fjalit e shkruara n gjuhn e zakonshme paraqesin sukses t efikasitetit t komunikimit. Ne jemi larg nga kjo, sepse gjuha e zakonshme sht dika q e prdorim do dit. Meq FLC-t jan n krye t prshkrimit t strukturs s kualitetit t prdorur n gjuhn e prditshme, FLC-t sht leht me i prdor. 6
FLC-t nuk jan ila pr gjithka. Se kur t mos prdoren FLC-t m s miri sht thn n Parathnie t ksaj kaptine se: FLC-t jan t prshtatshme pr t pasqyruar nj hapsir t hyrjeve n nj hapsir t daljeve. Nse kjo nuk sht e prshtatshme, provoni t gjeni dika tjetr. Nse zgjidhje m e thjesht ekziston, prdoreni at. FLC-t jan kodifikime t zgjedhjes s prshtatshme prdoreni zgjedhjen e prshtatshme kur i prdorni ato dhe sigurisht do t bni zgjedhjen e drejt. Shum rregullator bjn pun mjaft t mir pa prdorim t FLC-ve. Mirpo nse njiheni me FLC-t do t shihni se ato ndihmojn shum apo jan vegl shum e mir ndihmse.
Fuzzy Logic Toolbox ju lejon t realizoni shum gjra, por ajo m me rndsi sht se ju lejon t ndrtoni FIS - fuzzy inference system (sistemi fuzzy konkludues) pr problemin tuaj. Ju mund t ndrtoni kto sisteme duke prdor veglat grafike ose command-line (vijn-komanduese) t funksioneve, ose mund t gjenerohet automatikisht duke e prdorur teknikn adaptive neuro-fuzzy. Nse keni qasje n Matlab/Simulink, ju mundeni leht t testoni fuzzy sistemin n blokdiagramin e simulimeve. Ky toolbox gjithashtu ju lejon t ekzekutoni drejtprdrejt C programet, pa nevoj t shfrytzimit t Simulink-ut. Kjo sht mundsuar prmes Fuzzy Inference Engine (Mjetet Fuzzy Konkluduese) t cilat i lexojn sistemet e ruajtura nga MATLAB. Ju mund t riprojektoni pavarsisht FIS-file-in me kodin tuaj. T gjitha kodet duhet t jen t prshtatura me ANSI udhzimet.
Figura I-3.
Natyra integruese e MATLAB-it, lejon t ndrtojm veglat tona pr shfrytzim t Fuzzy Logic Toolbox ose shfrytzimit t Toolbox-ve tjer, si jan Sistemet Rregulluese (Control System), Rrjetat Neurale Artificiale (Artificial Neural Network), ose Veglat e Optimizimit (Optimization Toolbox).
Nj shembull konkret do t tregoj m mir kt pik. Pr t ilustruar rndsin e FLC-ve le t analizojm dy prkufizime t ndryshme t t njjtit problem: linear dhe fuzzy. Spari do ti qasemi ktij problemi konvencionalisht (jo-fuzzy), duke shkruar MATLAB komandat pr relacionet lineare. Pastaj do t shikojm kt problem duke prdorur sistemet FLC. Le t shqyrtojm problemin e shprblimit (bakshishit): sa sht sasia e drejt e shprblimit pr kamarierin tuaj n nj restorant? N vijim sht qartsuar ky problem. Le t marrim numrat 0 deri 10 q paraqesin kualitetin e shrbimit n nj restorant (ku 10 sht shklqyeshm), sa duhet t jet shprblimi? Kt problem do ta bazojm n eksperiencn e restoranteve. Nj shprblim mesatar pr ushqim t ngrn zakonisht sht 15%, sipas traditave aktuale kjo varet shum nga kualiteti i shrbimit [10, 26].
Le t fillojm me relacionet m t thjeshta t mundshme. Supozojm q shprblimi sht doher i barabart me 15% t llogaris totale. shperblimi = 0.15
Si shihet nga Fig. I-4. ktu nuk merret parasysh kualiteti i shrbimit, kshtu nevojitet t shtojm terma t reja n ekuacion. Meq shrbimi sht vlersuar prej 0 deri 10, ndoshta mund t marrim shprndarjen lineare t shprblimit prej 5% nse shrbimi sht i dobt, deri 25% nse shrbimi sht i shklqyer. Tani relacioni yn do t duket: shperblimi = 0.20/10*sherbimi+0.05
Sa m afr aq m mir. Relacioni po e bn at q duam ne, por ktu nuk sht prfshir kualiteti i ushqimit. Pr t marr parasysh kt faktor, prap po marrim numrat 0 deri 10 (ku 10 sht shklqyeshm) dhe paraqesin respektivisht kualitetin e shrbimit dhe ushqimit n nj restorant. Sa do t jet shprblimi? Le t shohim si duket relacioni me faktorin e ri t shtuar. Supozojm q ai do jet: shperblimi = 0.20/20*(sherbimi+ushqimi)+0.05;
Figura I-6. Shprndarja dy-dimensionale e shprblimit N kt rast, rezultatet duken t mira, por kur i shiqojm m afr ato nuk duken t qarta. Le t supozojm se duam q shrbimi t jet faktor m i rndsishm ndaj kualitetit t ushqimit. Le t themi q shrbimi prfshihet n 80% t shkalls s shprblimit, pr ushqimin mbetet 20%. Pra provojm me shkalln a = 0.8: shperblimi = a*(0.20/10*sherbimi+0.05)+(1-a)*(0.20/10*ushqimi+0.05); 9
Figura I-7. Shprndarja dy-dimensionale e shprblimit me rritje t ndikimit t faktorit t shrbimit Shprndarja sht ende disi lineare. Mund t vazhdohet me prsosje t shprehjeve t relacionit ndrmjet shprblimit n njrn an dhe shrbimit, ushqimit n ann tjetr por kt m mir dhe m leht paraqitet nse ndrtohet FLC algoritmi apo gjykimi fuzzy [10].
Do t ishte shum mir nse mund t marrim parasysh vetm esencn e problemit t shprblimit, duke ln anash faktort arbitrar si ishin 80%, 20% etj. Nse e bjm shiqim esencial t ktij problemi ne vijm n prfundim se realacioni ndrmjet shprblimit dhe shrbimit bazohet n tri rregulla kryesore si n vijim: 1) Nse sherbimi sht i dobet, ather shperblimi sht i vogel 2) Nse sherbimi sht i mire, ather shperblimi sht mesatar 3) Nse sherbimi sht i shkelqyeshem, ather shperblimi sht i madh Renditja e rregullave n kt rast sht arbitrare (e lir-nuk varet nga ajo se cila rregull sht e para). Nse duam t prfshijm edhe faktorin e ushqimit n shprblim ather duhet t marrim dy rregullat n vijim: 4) Nse ushqimi sht i dobet, ather shperblimi sht i vogel 5) Nse ushqimi sht i shijeshem, ather shperblimi sht i madh N fakt kto pes rregulla mund t kombinohen dhe t paraqiten sbashku prmes tri rregullave: a) Nse sherbimi sht i dobet ose ushqimi sht i dobet, ather shperblimi sht i vogel b) Nse sherbimi sht i mire, ather shperblimi sht mesatar c) Nse sherbimi i shkelqyer ose ushqimi i shijeshem, ather shperblimi sht i madh
10
Kto tri rregulla jan brthama e zgjedhjes ton. Kshtu rastsisht, ne i kemi ndrtuar rregullat pr sistemin FLC. Tani nse japim kuptimin matematikor variablave gjuhsore (p.sh. ka sht shprblimi mesatar) do t kemi t kompletuar FIS-fuzzy inference system apo planifikin fuzzy. Natyrisht, shum metodologji t FLC-ve nuk jan cekur, si jan: sa jan t kombinuara rregullat, si t definojm n aspektin matematiko-logjik mesataren e shprblimit etj [10]. N kto do t prgjigjemi n kaptinat vijuese. Detalet e metods nuk ndryshojn shum nga nj problem n tjetrin sepse teoria e FLC-ve nuk sht aq komplekse. At ka kemi paraqitur deri m tani tregon se FLC-t jan adaptabile, fleksible, t thjeshta dhe leht t aplikueshme.
I.3.5. Rrjedhim
Do t fillojm me pak motivacion t cilin e kemi dgjuar. Qllimi i FLC-ve sht pasqyrimi i hapsirs s hyrjeve n hapsir t daljeve, dhe mekanizmi themelor pr t ndrtuar kt jan ifthan (nse-ather) rregullat. T gjitha rregullat jan llogaritur paralel dhe renditja e tyre nuk sht me rndsi. Rregullat n vet-vete jan t prdorshme sepse iu referohen variablave dhe rrjedhimeve q i prshkruajn ato. Spari mund t ndrtojm sistemin q i interpreton rregullat, duhet t definojm t gjith parametrat q dshirojm ti prfshijm n problematik. Nse dshirojm t flasim pr at se sa sht i nxeht uji, ne duhet t definojm rangun e temperaturs s ujit, i cili duhet t sqaroj fjaln nxeht. Diagrami n Figurn I.8 sht si udhrrfyes i proceseve t FLC-ve. Ai paraqet prshkrimin e prgjithshm t FLC - sistemeve n njrn an dhe t sistemeve t veanta fuzzy n ann tjetr .
Koncepti i FLC-ve t prshkruara me Fig. I-8, sht metod e interpretimit t vlerave t vektorit hyrs, duke u bazuar n disa rregulla, n prkufizimin e vlerave t vektorit dals.
11
I.4.1. Bashksia Fuzzy FLC-t fillojn me konceptin e bashksive fuzzy. Bashksia fuzzy sht nj variabl me kufij t pa prcaktuar qart. Ajo prmban elemente me nj shkall t pjesshme t funksioneve shoqruese. Q t kuptojm se far paraqesin bashksit fuzzy spari do t definojm t ashtuquajturat bashksit klasike. Bashksia klasike sht ajo e cila prmban numr t fundm elementesh. P.sh bashksi klasike mund t jet ajo q prfshin ditt e javs: E hn, E mrkur dhe E diel. Ktu p.sh nuk jan prfshir elementet: E mart, dera, dritarja etj (Fig. I-9).
Figura I-9. Bashksia klasike Bashksia e prshkruar me kufij t mbullur quhet bashksi klasike, sepse e prjashton mundsin e futjes s elementeve t reja. Tani le t shohim nj bashksi tjetr, prap nj bashksi q prmban ditt e vikendit pra: E shtun, E diel por dita e E premt mund ti takoj ose mund t mos takoj vikendit (Fig. I10).
Figura I-10. Bashksia e hapur, elementi E premt i tokon ose nuk i takon. T gjith pajtohemi q E shtuna dhe E diela i takojn vikendit, por ka me ditn E premt? Ajo duket si pjes e vikendit, por duket edhe sikur teknikisht mund t prjashtohet. Kshtu pra n Fig. I-10, dita E premt, gjendet n vijn e kufirit t bashksis s vikendit. Bashksia klasike apo normale e toleron kt. Kshtu pra ju jeni brenda ose jasht. Prvoja njerzore sugjeron dika t ndryshme dhe thot: ulja n rrethoj sht pjes e jets. 12
Natyrisht ktu ne jemi ngritur pak nga toka, sepse kemi filluar ti fusim prkufizimet individuale dhe prapavijat e kulturave n kt numrim, se cilat dit t javs i takojn vikendit. Por kjo sht nj pikpyetje e qart. Kjo sht vetm paqartsi e fjalorit, definicioni thot se: periudha prej t premts mbrma ose prej t shtuns deri t hnn n mngjes quhet vikend. Ne jemi duke hyr n nj fush ku logjikat po-jo prfundojn t ken kuptim. Arsyeja Fuzzy bhet e nevojshme kur flasim pr at se sa njerz me t vrtet e pranojn definicionin e vikendit n krahasim me ata q nuk e pranojn. M tepr se do gj tjetr, formulimi n vijim i shtron modulet e FLC-ve: N FLC, e vrteta e nj formulimi bhet qshtje e cilsis. Ndonj formulim mund t jet fuzzy. Vegla e cila e bn fuzzy-in t zvendsoj logjikn pojo sht prgjigja po ose jo. Kjo sht ajo q njeriu e bn tr kohn, por kjo sht nj qasje e re pr kompjutert. Si punon kjo? Gjykimi fuzzy logjik sht vetm qshtje e prgjithsimit t logjiks Buleane po-jo. Nse i japim "t sakts" vlern numerike 1 dhe "jo t sakts" vlern numerike 0, ne do t themi se fuzzy logjik gjithashtu pranon vlerat ndrmjet p.sh., 0.2 dhe 0.745. Pr shembull: Pyetje: A sht e shtuna dit e vikendit? Prgjigje: 1 (po, ose e sakt) Pyetje: A sht e mart dit e vikendit? Prgjigje: 0 (jo, ose jo e sakt) Pyetje: A sht e premt dit e vikendit? Prgjigje: 0.8 (pr shumicn po, por jo pr t gjith) Pyetje: A sht e diela dit e vikendit? Prgjigje: 0.95 (po, por jo plotsisht sa edhe e shtuna). N Fig. I-11, diagrami n t majt parqet vlerat e sakta pr vikend nse jemi t detyruar t prgjigjemi me absolute po ose jo. Diagrami n ann e djatht paraqet vlerat e sakta pr vikend nse jemi t lejuar t prgjigjemi me vlerat ndrmjets fuzzy.
Figura I-11. Diagramet rreth definicionit t vikendit Nse bjm pyetjen "A sht X antar i bashksis A?" prgjigja mund t jet po, jo ose ndonjra prej pafund vlerave ndrmjet 0 dhe 1. Me fjal t tjera, X mund t ket shoqrim t pjesshm n bashksin A. Logjika shum-vlershe qndron n kundrthnie me konceptin e 13
logjiks s zakonshme dy-vlershe (ose bivalente po-jo). Logjika dy-vlershe ka luajtur rol kryesor n historin e shkencs duke filluar nga Aristoteli por koha e ka tejkaluar at. Le t kthehemi te shembulli yn, t marrim parasysh kohn si funksion i vazhdueshm, ather do t kemi diagramet n vijim si n Fig. I-12.
Figura I-12. Diagramet rreth definicionit t vikendit n funksion t kohs Duke i paraqitur diagramet t vazhdueshme n funksion t kohs, ne kemi prshkruar shkalln n t ciln ndonj ast i vikendit m shum i takon dits tjetr. Kshtu n Fig. I-12 diagrami i majt, mesnata e s premts, porsa t kaloj 12, vlera e saktsis s vikendit ka krcyer n mnyr diskontinuale prej 0 n 1. Kjo sht nj mnyr e definimit t vikendit, prderisa ndoshta do t ishte m e prdorshme pr llogaritje, nse kt nuk e lidhim me eksperiencn e bots reale. Diagrami n ann e djatht t Fig. I-12, tregon lakoren e cila ndryshon ngadal, kshtu e tr e premta dhe nj pjes e vogl e s enjts, merr pjes n kualitetin e vikendit dhe kjo meriton shoqrim t pjesshm n bashksin fuzzy pr astet e vikendit. Lakorja e cila e definon vikendin n funksion t kohs sht nj funksion q e pasqyron hapsirn e hyrjeve (kohn e javs) n hapsirn e daljeve (vikendin). Zakonisht kjo sht e njohur si funksion i shoqrimit (membership function). Si shembull tjetr i bashksive fuzzy, le t marrim shtjen e stinve t vitit. Cila stin sht tani? N hemisfern veriore, vera zyrtarisht fillon n momentin kur orbita e Toks, prkaktsisht Poli Verior sht plotsisht n ann e Diellit. Kjo ndodh vetm nj her n vit, kah fundi i qershorit. Duke e prdor definicionin astronomik pr stint, ne do t fitojm kufijt e stinve si jan treguar n diagramin n ann e majt t Fig. I-13. Por eksperienca ka treguar se stint varirojn pak ose shum vazhdimisht si sht paraqitur n diagramin n ann e djatht t Fig. I-13 (sipas klims n hemisfern veriore).
Funksionet shoqruese (membership function) (MF) n rastin e prgjithshm jan lakore q prshkruajn seciln pik t hapsirs s hyrjeve n vlerat shoqruese (shkalla e shoqrimit) ndrmjet 0 dhe 1. Kto lakore mund t jen funksione shkall apo funksione t vazhdueshme kontinuale. Funksione t tilla shoqruese jan paraqitur n diagramet paraprake si n Fig. I-12 dhe Fig. I-13. Moduli Fuzzy Logic Toolbox i Matlab-it disponon me disa lloje t MF-funksione shoqruese si jan: trimf, trapmf, gaussmf, gauss2mf, gbellmf, sigmf, dsigmf, psigmf, zmf, pimf dhe smf t cilt n pamjet e tyre grafike jan paraqitur n Fig. I-14.
Vend shum me rndsi n gjykimet fuzzy logjike zn Operatort standard Bulean. Me fjal t tjera, nse vlerat fuzzy i mbajm n ato ekstreme 1 (plotsisht e sakt) dhe 0 (plotsisht pa sakt), operimet logjike standarde do t ken kuptim. Si shembull jan paraqitur tabelat e saktsis n Fig. I-15.
Figura I-15. Tabelat e saktsis pr operator AND (dhe), OR (ose) dhe NOT (i kundrt).
Duke e ditur se te FLC-t, saktsia sht qshtje relative, ather si do t dukeshin kto tabela. Vlerat hyrse mund t jen ndrmjet numrave 0 dhe 1. Kshtu pr operatin AND do t prdorim funksionin e vlers m t vogl min(A,B), pr operatorin OR do t prdorim funksionin e vlers m t madhe max(A,B) dhe pr operatorin NOT shprehjen 1-A. N Fig. I-16 jan paraqitur tabelat e saktsis me prdorimin e funksioneve paraprake.
Figura I-16. Tabelat e saktsis sipas funksioneve min=AND, max=OR dhe 1-A=NOT
Nga Fig. I-16 shihet se tabelat e kan ruajtur saktsin e tyre, prandaj funksionet e propozuar jan plotsisht t qlluar pr zvendsim t operatorve logjik standard (AND, OR dhe NOT) me funksione fuzzy logjike (min, max dhe 1-A). Kshtu prmes funksioneve fuzzy logjike mund t shqyrtohen edhe vlerat tjera ndrmjet 0 dhe 1 dhe veprimi do t jet i ngjashm me tabelat e saktsis. N Fig. I-17 jan paraqitur diagramet me operatort fuzzy logjik pr variablat dyvlershe dhe ato shum-vlershe. 16
Figura I-17. Diagramet e saktsis me operator fuzzy logjik pr variablat dy-vlershe dhe shum-vlershe Me fitimin e ktyre tri funksioneve, mund t zgjedhim ndonj konstruktim me prdorim t bashksive fuzzy dhe operatorve fuzzy logjik AND, OR, dhe NOT. Pr projektim t FLC-ve prdoren edhe operator tjer logjik si: T-norm (norma e trekndshit) operatort, q paraqet shprndarje binare T(,) dhe plotson kushtet: prkufizimit: T(0, 0) = 0, T(a, 1) = T(1, a) = a monotonis: T(a, b) <= T(c, d) if a <= c dhe b <= d komutacionit: T(a, b) = T(b, a) asociative: T(a, T(b, c)) = T(T(a, b), c) S-norm (ose T-conorm) operatori q gjithashtu sht shprndarje binare S(,) dhe i plotson kushtet: prkufizimit: S(1, 1) = 1, S(a, 0) = S(0, a) = a monotonis: S(a, b) <= S(c, d) if a <= c dhe b <= d komutacionit: S(a, b) = S(b, a) asociative: S(a, S(b, c)) = S(S(a, b), c) Shum lloje t prcaktimeve t T-norm dhe S-norm (T-conorm) jan dhn deri me tani, si jan nga Yager [19], Dubois dhe Prade [3], Schweizer dhe Sklar [14], dhe Sugeno [15]. Secila nga kto ka rndsin dhe prparsin e vet, varsisht nga lloji i problematiks.
17
Bashksit Fuzzy dhe operatort fuzzy jan subjekt dhe folje t FLC-ve. Kto if-than rregulla prdoren pr t formuluar gjykimin e kushtzuar q e shoqron FLC-n. Nj rregull i thjesht nse-ather do t kishte formn: If x sht A than y sht B , ku A dhe B jan vlera gjuhsore t definuara si bashksi fuzzy, x, y elemente t bashksive prkatse fuzzy. T shohim edhe nj rregull tjetr: If sherbimi sht i mire than shperblimi sht mesatar . Ktu shihet se vlera i mire paraqitet ndrmjet numrave 0 dhe 1, dhe interpretimi sht prap nj numr ndrmjet 0 dhe 1. Prmbajtja e nj rregulle mund t prmbaj shum pjes p.sh: If temperatura e ujit sht e ftoht then valvula e ujit t ftoht sht e hapur and valvula e ujit t nxeht sht e mbyllur.
gjuhsore rregulluese t nxjerra nga prvoja e operatorve njeri. Prpjekja e Mamdani-it ka qen bazuar n punimin e Lotfi Zadeh 1973, q kishte t bnte me algoritmet fuzzy pr sistemet komplekse dhe proeset e vendim-marrjes [22]. Mirpo proesi konkludues i prshkruar ktu sht pak i ndryshm nga ai n punimin origjinal, por idea themelore sht shum e ngjashme. Te lloji Mamdani si sht definuar n Fuzzy Logic Toolbox, pritet q funksionet shoqruese t jan nga bashksia fuzzy. Pas proesit t grumbullimit, atje kemi bashksin fuzzy pr seciln variabl dalse q nevojitet t defazifikohet. Kjo sht e mundur, dhe n shum rast mjaft e sigurt, me prdorim t nj pike t thjesht si nj funksion shoqrues t daljes se sa bashksit fuzzy t shprndara. Kjo nganjher sht e njohur si fillestare e funksionin shoqrues t daljes, dhe mund t quhet si para-defuzim i bashksis fuzzy. Kjo e rrit efikasitetin e proesit t defazifikimit, sepse kjo i thjeshton mjaft llogaritjen e nevojshme n krahasim me metodn e prgjithshme t Mamdani-it, e cila e cakton qendroidin e funksionit dy-dimensional. Pas ksaj prdoren peshat mesatare t disa t dhnave. Lloji i sistemeve Sugeno mbshtetet n kt lloj t modelit. N prgjithsi, sistemet e llojit Sugeno mund t prdoren n ndonj sistem konkludues n t cilin funksionet shoqruese t daljes jan lineare t thjeshta ose konstante.
I.5.1 Krijimi i FIS file-ve n Fuzzy Logic Toolbox Shembull: Krijimi i FIS file-it pr prcjellje sa m t sakt t trajektores s platforms mobile me prdorim t rregullatorit Fuzzy Logjik [27]. Hyrje n rregullatorin FLC FIS file, jan marr: 1) gabimi n prcjellje t trajektores ose gabimi n distanc: d = y d ( x d ) y ( x) , ku: y d ( x d ) paraqet trajektoren e dshiruar t qendrs s mass s platforms,
y (x) paraqet trajektoren aktuale (t matur) t qendrs s mass s platforms.
19
yC
xC
1 a
r C b 2
x O
Hyrja 1, gabimi n distanc d sht supozuar se mund t jet n intervalin [2, 2] , dhe ky interval sht ndar n nnintervale t cilve iu jan shoqruar emrimet gjuhsore: d-NSM : gabimi n distanc sht Negative Shum e Madhe [2.0, 1.5] , d-NM : gabimi n distanc sht Negative e Madhe [1.5, 1.0] , d-NMe : gabimi n distanc sht Negative Mesatare [1.0, 0.5] , d-NV : gabimi n distanc sht Negative e Vogl [0.5, 0.0) , d-Z : gabimi n distanc sht zero, d = 0, d-PV : gabimi n distanc sht Pozitive e Vogl (0.0, 0.5] ,, d-PMe : gabimi n distanc sht Pozitive Mesatare [0.5, 1.0] , d-PM : gabimi n distanc sht Pozitive e Madhe [1.0, 1.5] , d-PSM : gabimi n distanc sht Pozitive Shum e Madhe [1.5, 2.0] , (Fig. I-19a). Hyrja 2, gabimi n knd e sht supozuar se mund t jet n intervalin [3, 3] , dhe ky interval sht ndar n nnintervale t cilve iu jan shoqruar emrimet gjuhsore: e-NM : gabimi n knd sht Negativ i Madh, [3.0, 1.5] , e-NM : gabimi n knd sht Negativ Mesatar, [1.5,0.0) , e-Z : gabimi n knd sht Zero, e = 0, e-PMe : gabimi n knd sht Pozitiv Mesatar, (0.0, 1.5]
20
a) b) Figura I.19. Variablat hyrse, a) gabimi n distanc d dhe b) gabimi n knd e. Dalja 1, momenti shtes n rrotn udhzuese 1, T1 sht supozuar se duhet t jet n intervalin [0, 0.25] , dhe ky interval sht ndar n nnintervale t cilve iu jan shoqruar emrimet gjuhsore: T1-Z : momenti shtes n rrotn udhzuese 1 sht Zero, T1-V : momenti shtes n rrotn udhzuese 1 sht i Vogl, T1-Me : momenti shtes n rrotn udhzuese 1 sht Mesatar, T1-M : momenti shtes n rrotn udhzuese 1 sht i Madh, T1-SM : momenti shtes n rrotn udhzuese 1 sht Shum i Madh, (Fig. I.20a). N mnyr t ngjashme veprojm edhe pr daljen 2, momenti shtes n rrotn udhzuese 2, vetm n vend t T1 marrim T2, (Fig. I.20b).
N vijim, bazuar n eksperiencn e autorve [27], sht formuar Tabela e rregullave pr ndrlidhje t hyrjeve dhe daljeve nga FLC-FIS file, Tabela I-1.
21
d-NSM
T2-SM T2-SM T2-SM T1-Z T2-M T1-Z T1-Z T2-M T1-Z T1-Z T2-M T1-Z
d-NM
d-NMe
T2-Me T2-Me T2-Me T1-Z T2-Me T1-Z T2-Me T1-Z T2-V T1-Z T2-V T1-Z T2-V T1-Z T2-Z T1-V T2-Z
d-NV
d-Z
T1-V T2-Z
T1-V T2-Z
d-PV
d-PMe
d-PM
d-PSM
Nga Tabela I-1, nj rregull, do t lexohej: Nse gabimi n distanc sht d-PMe dhe gabimi n knd sht e-PMe ather momenti shtes n rrotn 1 sht T1-Me dhe momenti shtes n rrotn 2 sht T2-Z. Tani i kemi rregullat dhe kemi ide se si do t dukej dalja. Le t fillojm me softverin Matlab, veglat GUI Graphical User Inference pr t konstruktuar file-in FIS (platforma.fis) q do t prshkruaj problemin e zgjedhur t prcaktimit t momentit shtes n rrotat udhzuese n varshmri t gabimit n distanc dhe gabimit n knd.
22
Pas startimit t softverit Matlab, nga dritarja Lunch Pad me shtypje t dyhershme n FIS Editor Viewer (Fig.I.21),
Figura I-21. Dritarja kryesore e softverit Matlab do t hapet dritarja kryesore (Fig. I-22) pr ndrtimin e FIS file-it q do ta emrojm platforma.fis Nga Fig. I-22 shihet se prmes ktij editori mund ti japim emrin file-it p.sh., platforma.fis, mund t shtojm numrin, emrin e hyrjeve si dhe t daljeve, mund t definojm MF (membership function funksionin antar) etj, si n Fig. I-22. Nga Fig. I-23 shihet se ky FIS-file ka dy hyrje (gabimin n distanc dhe knd) dhe dy dalje (momentet shtes T1 dhe T2). Me shtypje t ndonjrs nga hyrjet apo daljet do t kemi dritaren n Fig. I-24. Nga Fig. I-24 shihet se domeni i variabls hyrse distanca q merr vlerat prej (2,2) sht ndar n tet nnintervale, prmes MF-ve t llojit trimf. N mnyr analoge veprohet me variabln hyrse kendi dhe dy variablat tjera dalse T1 dhe T2, duke vendosur nnintervalet e prcaktuara m par.
23
Figura I-24. MF editori dhe ndarja e fushs s variabls hyrse distanca n tet nnintervale Duhet t ceket se FIS editori n Matlab posedon disa lloje t MF-ve si jan: trimf, trapmf, gbellmf, gaussmf, sigmf, dsigmf, pimf, smf dhe zmf. FIS editori i Matlab-it mund t ndrtohet bazuar n dy lloje t rregullatorve Fazi Logjik: Mamdani q sht prdor n kt shembull dhe Sugeno (Fig. I-25). Dallimi kryesor ndrmjet FIS fil-it Mamdani dhe Sugeno sht se tek Sugeno funksionet MF t daljeve jan linear ose konstant (Fig. I-25). N vazhdim duhet t definohen rregullat rules t cilat i definojm duke shkuar n menyn Edit-Rules dhe pas prshkrimit t rregullave do t kemi pamjen vijuese si n Fig. I-26. Grafikisht rregullat mund t shihen nse shkojm n menyn View-Rules dhe do t kemi pamjen si n Fig. I-27. FIS-file nprmjet komands n menys kryesore Edit- Anfise pastaj Structure mund t shihet si n Fig. I-28.
25
Nse tani nga menyja View shkojm n Surface do t shohim paraqitjen grafike t funksionit dy dimensional: T1 = rregullat(distanca, kendi) si n Fig. I-29.
Figura I-29. Paraqitja grafike e FIS-file Surface Viewer Nga Fig. I-29 shihet se me rritjen e gabimit n distanc, momenti shtes T1, rritet dhe anasjelltas. N mnyr t ngjashme mund t veprohet edhe pr momentin shtes T2. Ruajtja FIS file-it bhet n dy mnyra: 1) Prej File meny, zgjedhim Export dhe To Disk, pastaj ia japim emrin p.sh platform dhe shtypim OK. N kt rast FIS-file sht ruajtur nn emrin platform.fis
2) N File meny, zgjedhim Export dhe To Workspace, pastaj ia japim emrin p.sh., platforma dhe shtypim OK. N kt rast FIS-file sht i gatshm pr prdorim t mtutjeshm p.sh n Command Window, Matlab/Simulink etj.
Nse n Command Window e shkruajm platforma prkatsisht pr at t llojit sugeno platform dhe i ekzekutojm me ENTER do t lexojm kto prgjigje: platforma = name: 'platforma' type: 'mamdani' andMethod: 'min' orMethod: 'max' defuzzMethod: 'centroid' impMethod: 'min' aggMethod: 'max' input: [1x2 struct] output: [1x2 struct] rule: [1x27 struct] platform = name: 'platform' type: 'sugeno' andMethod: 'prod' orMethod: 'probor' defuzzMethod: 'wtaver' impMethod: 'min' aggMethod: 'max' input: [1x2 struct] output: [1x2 struct] rule: [1x27 struct]
29
PJESA - I I
30
II.1. Parathnie
Termi Inteligjenc Artificiale (IA), n kuptimin e gjr, prfshin nj numr t teknologjive, por nuk sht i kufizuar n to, si jan sistemet eksperte, sistemet fuzzy logjike, rrjetat neurale, automatet celulare, sistemet kaotike dhe sistemet preliminare, etj (Tsoukalas 1997). Rrjetat Neurale Artificiale (ANN-Artificial Neural Network) i qasen paraqitjes s modelimit me prdorim t hyrjeve dhe daljeve t sakta, t cilat jan prdorur gjat ushtrimit t modelit, i cili ka shkall t liris t mjaftueshme, q t formuloj aproksimim t mir t relacioneve komplekse ndrmjet hyrjeve dhe daljeve. Nj ndrlidhje e till duket si n Fig. II-1.
Qllimi
Hyrja
Krahasimi Dalja
Prcaktimi i peshave
Figura II-1 Diagrami parimor i Rrjets Neurale Artificiale
N Fig. II-1. ANN-ja sht prshtatur, bazuar n krahasimin e daljes dhe qllimit, prderisa daljet e rrjets nuk e arrijn qllimin. Zakonisht shum ifte t hyrje/qllimeve prdoren, n kt msim t udhhequr, pr ushtrim t rrjets. ANN-t jan ushtruar pr t prvetsuar funksionet komplekse n fusha t ndryshme t prdorimit, prfshir vlersimin e modeleve, indentifikimin, klasifikimin, t folurit, parashikimin dhe rregullimin e sistemeve.
x1 x2
Funksioni aktivizues
Hyrjet
xm
vk
()
Dalja yk
Shuma e lidhjeve
wkm
peshat
Llogaritjet e shprndara kan prparsi sepse jan t sigurta, tolerimi i gabimit sht minimal, por paraqesin problem n lokalizim t informats, dhe zgjedhjes s topologjis s ndrlidhjeve. Adaptimi sht aftsi e ndryshimit t parametrave t sistemit sipas disa rregullave (normalitetit, minimizimit t funksionit t gabimit, etj.). Adaptimi lejon sistemin q t gjej vetit optimale, por sistemet adaptive kan prgjigje t paqart meq bjn prsritjen e kuantitetit absolut. Jolineariteti sht mjaft i mir n rregullimin e rangut dinamik t variablave t padefinuara dhe prodhon skema mjaft t fuqishme llogaritse, kur krahasohen me procesimin linear. Mirpo, kjo e ndrlikon jashtzakonisht analizn teorike. Kto veori t shprndarjes s procesimit, adaptimit dhe jolinearitetit, jan shenj dalluese e burimeve biologjike t sistemeve procesuese. ANN-t gjithashtu punojn n baz t parimeve t intelektit t njeriut, por me sa duket anologjia ndalet ktu. Ne jemi ende n shtegun fillestar t imitimit t intelektit njerzor, bazuar n fortsin e topologjis s ANN-ve, kufizimeve dinamike t neuroneve dhe voness kohore si pasoj e llogaritjeve.
32
Nukleusi
NEURONI 2
Figura II-3. Diagrami skematik i neuroneve tipike dhe qelizave nervore
yi
Sinjale hyrse x
Dalja
xi
Aksoni Aksoni kodrinor Trupi i qelizs (Soma) Potenciali aktivizues Dendritet Sinjali pas-sinaptik Sinapsat
Hyrja
Pitts-it n modelim t neuronit ka qen si port pr hyrje n njsit logjike, duke mos harruar edhe Caianiellos-in n Neuro-Dinamik, q meritojn t veohen, sepse ata e filluan analizn e qarqeve neurale si mjet kthyes dhe si sistem jolinear dinamik. M von, hulumtuesit e trurit, filluan t studiojn parimet themelore t funksionimit t tij (Braitenberg, Marr, Pellionisz, Willshaw, Rumelhart, Freeman, Grossberg), dhe implikimet n filozofi (Churchland). Neurobiologt teorik u futn n ndrlidhjet e elementve t thjesht dhe krijuan Automatin Celular (Tsoukalas 1997), i cili ishte prezent n punn e Norbert Wiener-it n kibernetik dhe hapn rrugn e inteligjencs artificiale. Ksaj teorie shpesh iu referohen ANN-t dhe do t vlersohet ktu. Qllimi kryesor n zhvillimin e ANN-ve sht modelimi i memorjes si veti kolektive e nj grupi t elementeve procesues (von der Marlburg, Willshaw, Kohonen, Anderson, Shaw, Palm, Hopfield, Kosko). Caianiello, Grossberg dhe Amari kan studiuar parimet dinamike t rrjetave. Rosenblatt ka krijuar perceptronin pr drejtim t t dhnave (joparametrike) gjat identifikimit t sistemeve. Adalin-et (adaptive linear element elementi linear adaptiv) e Widrow-it kan gjetur prdorim dhe sukses n sistemet komunikuese. Analogjia e Hopfield-it pr llogaritjet dinamike dhe procesim paralel t t dhnave, ka hapur mundsin q nj audience t gjer t mund t ket njohuri themelore mbi ANN-t. Prej Konferencs s par ndrkombtare mbi ANN-t t mbajtur n San Diego, 1987, kjo lm sht zhvilluar mjaft dhe sht duke vazhduar, zhvillimi i ANN-ve vazhdon edhe n ditt e sotme.
Ekonomi: Analiza e vlers s patundshmrive, n lejim t huave, ekzaminimi i hipotekave, klasifikimi i marrveshjeve t korporatave, analiza e kredive, programet tregtare t aksioneve, parashikimi i tregut t parave. Medicin: Analiza e qelizave kancerogjene, analizat EEG dhe ECG, optimizimi i kohs s transplatimeve. Nafta dhe Gasi: Zbulimi i fushave t nafts dhe gasit Robotik: Rregullimi i trajektores, rregullimi i pirunjerve, rregullimet manipuluese, sistemet parashikuese. Telekomunikime: Komprimimi i t dhnave, shrbimet automate informative, prkthimi i gjuhve drejtprdrejt, sistemet procesuese t pagesave t konsumatorve. Transport: Sistemet diagnostike t frenave t kamionve, planifikimi i automjeteve.
Hyrjet n neuron
neuroni i fsheht Dalja nga neuroni
ku: Ij -hyrja e mundshme n njsin e i-t, - koha konstante e njsis, - jonlineariteti, dhe wij peshat e ndrlidhjeve. Vrejm se n kt model, peshat nuk varen drejtprdrejt nga hyrjet. Ky model prdoret te shumica e ANN-ve (perceptroni shumshtresor dhe rrjetat e Hopfield-it). Lloj tjetr i modelit neural sht modeli drejtues i Grossberg-it, ku peshat varen drejtprdrejt nga hyrjet. N Fig. II-6., sht paraqitur skema e detajizuar e njrit nga neuronet.
35
wioxo wijxj
neuroni i
ni
Pjesa jolineare
Figura II-6. Skema e neuronit Mund t identifikohen dy lloje themelore t neuroneve: lineare - funksioni aktivizues sht linear, pra dalja nga neuroni definohet si shum e produktit ndrmjet peshave dhe hyrjeve: n i = wij x j .....................................................................................................................( II.2 )
j
ku: wij pesha ndrmjet neuronit i-t dhe hyrjes j-t. dhe jolinear t astit, t cilt daljen lineare ni e transformojn n nj dalje xi, duke e aktivizuar ndonj funksion jolinear : xi = (n i ) ........................................................................................................................... (II.3) N prgjithsi, forma e funksioneve aktivizuese jolineare sht e qet, monotono-rritse dhe funksione t kufizuara. N Fig. II-7 jan paraqitur disa funksione jolineare q prdoren m shum.
Shkall linear xi 1 Shkall xi 1
1 if ni 1 xi = ni if 1 ni 1 1 if n 1 i
ni -1
if ni 0 1 xi = 1 if ni 0
-1
ni
Tangjent Hiperpolik xi 1
xi = tanh(ni )
xi = 1 1 + e ni
ni -1
ni -1
W11 W21
1 4 2
W16
6 5
W32
3
W56 W55
W21 W31 W41 W51 W61 W22 W32 W42 W52 W62 W23 W33 W43 W53 W63 W24 W34 W44 W54 W64 W25 W35 W45 W55 W65 W26 W36 W46 W56 W66
Fig. II-8. ANN-ja me neuronet dhe matricn e peshave Ky lloj i rrjets (Fig.II.8) quhet rrjet kthyese. Te rrjetat kthyese, disa nga lidhjet mund t mos jen aktive, por ekziston lidhja kthyese. Nj hyrje prezente n rrjetn kthyese n kohn t, do t ndikoj n daljet e rrjets n kohn e ardhshme t + t , ku t - hapi kohor. Prandaj, rrjetat kthyese duhet t jen dhe jan operative n funksion t kohs. Nse matrica e peshave sht e definuar ashtuq, nuk lejon llogaritje prsritse dhe aktivitete vetanake (ndrlidhje e neuronit me vet-veten) ather rrjeta e till quhet ANN njkahore. Karakteristik e rrjetave njkahore sht se menjher pas paraqitjes s hyrjes n rrjet, dalja nga ajo sht valide. Lloje t veant t rrjetave njkahore, jan rrjetat me shtresa, t cilat quhen edhe perceptrone shumshtresore (multilayer perceptron MLP). Ky emrtim n t vrtet vjen nga rrjeta e Rosenblatt-it, e cila sht quajtur perceptron, q prbhet nga nj shtres e vetme me neurone jolineare, pa lidhje kthyese. Perceptroni shumshtresor, ka struktur t till t neuroneve, ashtuq ato jan t grupuara n shtresa t veanta. Shtresat q jan t mbyllura n vetvete (nuk jan t lidhura me hyrjet dhe daljet drejtprdrejt) quhen shtresa t fshehta (Fig. II-9 neuronet 4 dhe 5). Shtresa e cila i pranon hyrjet n rrjet, quhet shtresa hyrse (Fig. II-9 neuronet 1, 2 dhe 3), kurse shtresa q sht n kontakt me daljet e rrjets quhet shtres dalse (Fig. II-9 neuroni 6).
H1
H2 H3
Dalja
0 0 0 0 0 0
W64 W65 0 0 0 0
38
neuronet e shtress s fsheht. Pastaj neuronet e shtress s fsheht aktivizojn funksionin sigmoidal jolinear, f (*), vlerat e t cilit sillen ndrmjet 0 dhe 1: f (*) = 1 . ...........................................................................................................(II.4) 1 + exp((*))
Sa i prket funksioneve q duhet t aktivizojn neuronet n shtresn e fsheht dhe at dalse, jan br propozime dhe testime t shumta nga nj varg autorsh, por ajo q do t veojm sht RAN Rrjeta Adaptive Neurale (e gatshme pr aplikim n Matlab), e projektuar nga G. Campa [31]. Dallueshmria kryesore e ksaj RAN-je, qndron n at se ktu funksionet q aktivizohen n neuronet e shtress s fsheht dhe at dalse jan t ashtuquajtura sigmoidale t zgjeruara:
f (*) = L U L ...................................................................................................... (II.4a) 1 + exp( (*))
ku: L kufiri i eprm (max) dhe U kufiri i poshtm (min) i variabls hyrse (*). Algoritmi i msimit t peshave sht po ai backpropagation. Kjo rrjet ndryshe quhet edhe dyshe-e zgjeruar-sigmiodale (double-extended-sigmoidal). RAN-n dyshe-e zgjeruar-sigmiodale e kemi prdorur n simulimet (shih kap. VI) n robotin mobil dhe kto rezultate i kemi krahasuar me ANN-n sigmoidale lineare, si pr 100% t modelit t njohur ashtu edhe pr 50% t modelit t panjohur gjithashtu edhe n robotin real dhe nga t gjitha kto ka rezultuar se pr prcjellje t trajektores m e mir sht ajo sigmidale lineare. Sinjali q del nga neuronet e shtress s fsheht, shoqrohet me peshat prkatse W jk , dhe drgohet n shtresn dalse n t ciln i nnshtrohet funksionit mbledhs linear.
39
d v1
Vij
Wjk
&d v2 &&d v2
d v3
Y p3 Yv3 Ya3
Y p4 Yv4 Ya4
&d v3 &&d v3
d v4
&d v4 &&d v4
d v5
Y p5 Yv5 Ya5
&d v5 &&d v5
Figura II-10. Struktura e ANN-s trishtresore pr robotin mobil me pes shkall lirie
40
Dalja nga shtresa dalse njherit do t jet pozicioni/shpejtsia/nxitimi rregullues pr shkalln e liris prkatse t robotit mobil, t cilat n baz t asaj q u tha m lart, llogariten me shprehjen:
Y = W jk
j =1
nf
1 nh 1 + exp X iVij i =1
, ........................................................................................(II.5)
Vij - pesha ndrmjet hyrjes s i-t dhe neuronit t j-t t shtress s fsheht, W jk - pesha ndrmjet neuronit t j-t t shtress s fsheht dhe neuronit t k-t t daljes.
Peshat Vij dhe W jk paraqesin elemente kyq t ushtrimit msimit t skems rregulluese, me qllim t prcjelljes sa m t mir t trajektores s dshiruar. Kto pesha pr ciklin e ushtrimit ( ) sipas t ashtuquajturs rregulla Delta, llogariten me shprehjet:
Vij ( ) = Vij ( 1) + Vij ( 1), W jk ( ) = W jk ( 1) + W jk ( 1),
..........................................................................(II.6)
ku:
( 1) - parqet ciklin paraprak, - koeficient konstant momental q merret: 0 < < 1 , apo
zakonisht = 0.9 , (*) - paraqet ndryshimin e peshave ndrmjet dy cikleve t njpasnjshme. Rregullatori ANN ka pr detyr t minimizoj gabimin kuadratik t prcjelljes s trajektores, prandaj ligji i ushtrimit t peshave minimizon funksionin objektiv t peshave, i cili sht funksion kuadratik i gabimit e, pra:
1 F ( E ) = E T E ,...................................................................................................................(II.7) 2
ku:
& && E = eT , eT , e T
],
Nga skemat e rregullimit t paraqitura n Fig. VI-1 dhe Fig. VI-5, pozicioni/shpejtsia/nxitimi rregullues Y jan n funksion t variabls w , ashtuq:
41
v T Y p E T = w Y p w ku derivatet e zgjeruara
& v T Yv Yv w
&& v T Ya ,...................................................................(II.9) Ya w
i prkasin modelit dinamik t robotit mobil, t njohur. Mirpo sht e qart se modeli dinamik asnjher nuk sht plotsisht i njohur, prandaj, meq propozohet nga shum autor, edhe ne kemi prdor gabimin ideal linear t skems rregulluese:
&& & e + K v e + K p e = 0 , ..............................................................................................................(II.11)
prkatsisht:
&& && & & (v d v ) + K v (v d v) + K p (v d v) = 0 , .......................................................................(II.12)
i cili bn kompensimin e pasaktsive t modelit. Kshtu ndryshimet (II.10) llogariten n shprehjen (II.13) dhe ekuacioni (II.8) merr formn:
Y p F ( E ) = w w
ku:
v Y p v & J = Y p && v Y p v Yv & v Yv && v Yv
Y p w
Ya T J E , ............................................................................(II.14) w
v Ya I & v 1 = Kv K p Ya K p && v Ya
K 1 K v p I Kv
K p1 K v1 , .......................................................(II.15) I
ku: J paraqet matricn e Jakobianit pr model, e cila si shihet nga (II.15) varet vetm nga karakteristikat e rregullatorit konvencional PD. Ndryshimi i peshave ndrmjet dy cikleve tani llogaritet me shprehjen:
V ( ) = F ( E ) + V ( 1) , .................................................................................(II.16) w
ku: - paraqet konstantn e sasis s ushtrimit-msimit t ANN-s dhe vlera e saj merret:
0 < < 1 , por sa m afr zeros.
42
Me caktimin e ndryshimeve (derivateve) n ekuacionin (II.8) duke prdor shprehjen (II.5) do t fitojm t ashtuquajturin algoritm transmetues kthyes backpropagation algorithm t ndryshimit t peshave: nd Vij ( ) = S j (1 S j ) X i v k W jk + Vij ( 1), ...........................................(II.17) k =1 W jk ( ) = S j v k + W jk ( 1), ku: dalja nga neuroni i shtress s fsheht sht:
Sj = 1 nh 1 + exp X iVij i =1
v = J T eT
& eT
&& eT
].
T
43
Modeli
Perceptroni shumshtresor (angl: MultiLayer Perceptron MLP) MLP-t njkahore Module njkahore Funksionet me baz radiale (angl: Radial Basis Function RBF) MLP-ja e Jordan-it dhe Elman-it Analiz parimore e komponenteve (angl: Principal Component Analysis - PCA) lloji hibrid Skema t veanta vetorganizuese (angl: SelfOrganizing Feature Map SOFM) - lloji hibrid Kohmatsa t veant
Prshkrimi
Rrjeta Neurale q prdoren m s shumti MLP e shtuar me ndrlidhje prej shtrese n shtres Disa MLP paralele q kombinohen sipas daljeve Kombinim linear i Aksoneve t Gauss-it MLP me lidhje kthyese periodike jo-adaptive PCA e jo-drejtuar n hyrje e prcjellur nga MLP
Prdorimi
Klasifikime t prgjithshm ose regresione
Llogaritje t forcs shtes mbi MLP-n standarde Numri i peshave ndrmjet shtresave sht i reduktuar n krahasim me MLP-n standarde Msim i shpejt, prshkrim i thjesht i qendrs dhe gjersis s Gauss-it Shton memorien fikse t MLP-s pr probleme t thjeshta me varsi fikse t prkohshme Planifikim i t dhnave hyrse redundante t dimensionit t lart n dimensione m t ulta. Daljet rezultuese jan ortogonale. Planifikim i t dhnave hyrse t dimensionit t lartn dimensione m t ulta, prderisa grumbullohen n ndonj zon n afrsi. Pr detyra t prkohshme me varsi t prkohshme. Sigurojn stabilitet, interpretim t thjesht t peshave t veanta. Pr detyra t prcaktueshmris s ult. Fuzzy e mundson punn m t leht me rrjeta neurale, duke karakterizuar hyrjet t cilat nuk mund t identifikohen leht. Prdoren pr detyra t klasifikimit t rendit t ult dhe mesatar. Kto makina jan efektive n ndarjen e bashksive t t dhnave q kan kufij kompleks.
Shtresa t veanta me prshtatje t thjesht t peshave. Funksione t prshtatura Fuzzy shoqruese t hyrjeve.
CANFIS
Tabela II.1 Lloje t ndryshme t modeleve t ANN-ve dhe fushat e prdorimit t tyre
burimi: www.hallogram.com/neurosolutions , ( IEEE NeuroSolutions )
44