Оценка эффективности использования искусственного интеллекта реферат

Обновлено: 04.07.2024

Возможности электронно-вычислительных машин уже никого не удивляют. Компьютеризация различных областей человеческой деятельности, помимо прямого эффекта от внедрения вычислительной техники, зачастую порождает новые классы программных продуктов и технологии их разработки. Любая технология - это прежде всего поле интеллектуальной деятельности для специалистов, однако, в отличии от других видов деятельности технологии разработки программных продуктов немедленно становятся объектами автоматизации, что выводит соответствующий раздел программирования на новый уровень развития.

Типичную эволюцию от конкретных программ до инструментальных средств разработки прошли системы, основанные на знаниях, и в первую очередь - экспертные системы, предназначенные для решения задач из тех областей, где решающую роль играют знания и опыт профессиональной деятельности. В экспертных системах поиск решений осуществляется посредством имитации рассуждений, присущих выдающимся профессионалам. Формализованные знания составляют ядро экспертной системы - ее базу знаний. Остальные блоки системы реализуют функции преобразования знаний и определяются не столько содержимым знаний, сколько свойствами их формальных структур.

Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

В этом определении под термином "знания" подразумевается не только ту информацию, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам".

1.2. Представление знаний

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении) и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В Искусственном интеллекте (ИИ) основная цель — научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

· Как люди представляют знания?

· Какова природа знаний и как мы их представляем?

· Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?

· Насколько выразительна данная схема представления?

· Должна ли быть схема декларативной или процедурной?

В области искусственного интеллекта, решение задач может быть упрощено правильным выбором метода представления знаний. Определенный метод может сделать какую-либо область знаний легко представимой. Например диагностическая экспертная система Мицин использовала схему представления знаний основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

Проблема формирования баз знаний является сложной и многогранной. Если ограничить рассмотрение этой проблемы задачей извлечения личных знаний эксперта, то можно сформулировать основные требования и принципы построения программных систем, автоматизирующих процесс формирования баз знаний. Системы такого рода именуются автоматизированными системами инженерии знаний.

1.3. Задача формирования баз знаний

При всей претенциозности своего названия, инженерия знаний является дисциплиной сугубо прозаической, в ее задачу входит разработка практически полезных программ для слабо "математизированных" областей человеческой деятельности. Главным аргументом в пользу плодотворности такого подхода является факт существования в реальной жизни института экспертов - классных профессионалов, способных решать плохо формализуемые задачи из той или иной проблемной области.

С точки зрения инженерии знаний, в любой прикладной программе (по-крайней мере теоретически) можно выделить компоненту, содержащую знания о проблемной области. Именно эта компонента, именуемая базой знаний, определяет практическую ценность программы. Построение базы знаний требует специальных изысканий в проблемной области, в то время как остальные блоки программы находятся полностью в ведении программиста.

В настоящее время известны четыре основных способа представления знаний, из которых можно конструировать "гибридные" способы представления знаний.

· Продукционные системы

· Семантические сети

· Логические исчисления

· Комбинированные способы представления знаний

· Модели проблемных областей

2. Распознавание образов и машинный перевод

2.1 Понятие образа

Образ, класс – классификационная группировка в системе классификации, объединяющая определенную группу объектов по некоторому признаку. Образное восприятие мира – одно из свойств живого мозга, позволяющее разобраться в бесконечном потоке воспринимаемой информации и сохранять ориентацию в разрозненных данных о внешнем мире. Воспринимая внешний мир, мы всегда производим классификацию информации, т. е. разбиваем их на группы похожих, но не тождественных явлений. Это свойство мозга позволяет сформулировать такое понятие, как образ.

Способность восприятия внешнего мира в форме образов позволяет с определенной достоверностью узнавать бесконечное число объектов на основании ознакомления с конечным их числом, а объективный характер основного свойства образов позволяет моделировать процесс их распознавания.

2.2 Проблема распознавания образов

Распознавание образов – это задача идентификации объекта или определения каких-либо его свойств по его изображению (оптическое распознавание) или аудиозаписи (акустическое распознавание). В процессе биологической эволюции многие животные с помощью зрительного и слухового аппарата решили эту задачу достаточно хорошо. Создание искусственных систем с функциями распознавания образов остаётся сложной технической проблемой.

Рис. 2.1. Пример объектов обучения.

В целом проблема распознавания образов (ПРО) состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и другими реакциями - на все объекты отличимых образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов. В качестве объектов обучения могут быть либо картинки (рис. 2.1), либо другие визуальные изображения (буквы, цифры). Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу. За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему обучения распознаванию образов. В том случае, когда человек сам разгадывает или придумывает, а затем навязывает машине правило классификации, проблема распознавания решается частично, так как основную и главную часть проблемы (обучение) человек берет на себя.

Круг задач, которые могут решаться с помощью распознающих систем, чрезвычайно широк. Сюда относятся не только задачи распознавания зрительных и слуховых образов, но и задачи классификации сложных процессов и явлений, возникающих, например, при выборе целесообразных действий руководителем предприятия или выборе оптимального управления технологическими, экономическими, транспортными или военными задачами. Прежде чем начать анализ какого-либо объекта, нужно получить о нем определенную, упорядоченную информацию.

Выбор исходного описания объектов является одной из центральных задач проблемы распознавания образов. При удачном выборе исходного описания (пространства признаков) задача распознавания может оказаться тривиальной и, наоборот, неудачно выбранное исходное описание может привести либо к очень сложной дальнейшей переработку информации, либо вообще к отсутствию решения.

2.5 Обучение, самообучение и адаптация

Обучением обычно называют процесс выработки в некоторой системе той или иной реакции на группы внешних идентичных сигналов путем многократного воздействия на систему внешней корректировки. Такую внешнюю корректировку в обучении принято называть " поощрениями" и " наказаниями". Механизм генерации этой корректировки практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.

Адаптация – это процесс изменения параметров и структуры системы, а возможно, и управляющих воздействий на основе текущей информации с целью достижения определенного состояния системы при начальной неопределенности и изменяющихся условиях работы.

Возможен способ построения распознающих машин, основанный на различении каких-либо признаков подлежащих распознаванию фигур. В качестве признаков могут быть выбраны различные особенности фигур, например, их геометрические свойства (характеристики составляющих фигуры кривых), топологические свойства ( взаимное расположение элементов фигуры) и т.п. Известны распознающие машины, в которых различение букв или цифр производится, по так называемому “методу зондов” (рис. 2.2), т.е. по числу пересечений контура фигуры с несколькими особым образом расположенными прямыми.

Рис. 2.2 Схема расположения зондов для распознавания цифр.

Если проектировать цифры на поле с зондами, то окажется, что каждая из цифр пересекает вполне определенные зонды, причем комбинации пересекаемых зондов различны для всех десяти цифр. Эти комбинации и используются в качестве признаков, по которым производится различение цифр. Такие машины успешно справляются, например, с чтением машинописного текста, но их возможности ограничены тем шрифтом (или группой сходных шрифтов), для которого была разработана система признаков. Работа по созданию набора эталонных фигур или системы признаков должна производиться человеком. Качество работы машины, т. е. надежность “узнавания” предъявляемых фигур определяется качеством этой предварительной подготовки и без участия человека не может быть повышено. Описанная машина не являются обучающейся машиной.

а) никакие сведения о подлежащих классификации образах в машину заранее не вводятся;

б) в ходе обучения машине предъявляется некоторое количество объектов каждого из подлежащих классификации образов и (при моделировании процесса обучения “с учителем”) сообщается, к какому образу относится каждый объект;

в) машина автоматически обрабатывает полученную информацию, после чего

г) с достаточной надежностью различает сколь угодно большое число новых, ранее ей не предъявлявшихся объектов из образов.

Машины, работающие по такой схеме, называются узнающими машинами.

2.6 Преобразование изображений в цифровой код

Для того чтобы ввести изображение в машину, нужно перевести его на машинный язык, т.е. закодировать, представить в виде некоторой комбинации символов, которыми может оперировать машина. Кодирование плоских фигур можно осуществить самым различным образом. Лучше стремиться к наиболее “ естественному” кодированию изображений. Будем рисовать фигуры на некотором поле, разбитом вертикальными и горизонтальными прямыми на одинаковые элементы – квадратики. Элементы, на которые упало изображение, будем сплошь зачернять, остальные – оставлять белыми. Условимся обозначать черные элементы единицей, белые – нулем. Введем последовательную нумерацию всех элементов поля, например, в каждой строке слева направо и по строкам сверху вниз. Тогда каждая фигура, нарисованная на таком поле, будет однозначно отображаться кодом, состоящим из стольких цифр (единиц и нулей), сколько элементов содержит поле.

Рис 2.3 Примеры проецирования и кодирования изображений.

Такое кодирование (рис. 2.3) считается “ естественным” потому, что разбиение изображения на элементы лежит в основе работы нашего зрительного аппарата. Действительно, сетчатка глаза состоит из большого числа отдельных чувствительных элементов (так называемых палочек и колбочек), связанных нервными волокнами со зрительными отделами головного мозга. Чувствительные элементы сетчатки передают по своим нервным волокнам в головной мозг сигналы, интенсивность которых зависит от освещенности данного элемента. Таким образом, изображение, спроектированное оптической системой глаза на сетчатку, разбивается палочками и колбочками на отдельные участки, и по элементам в некотором коде передается в мозг. Отдельные элементы поля называются рецепторами, а само поле – полем рецепторов.

Совокупность всех плоских фигур, которые можно изобразить на поле рецепторов, составляет некое множество. Каждая конкретная фигура из этой совокупности есть объект этого множества. Любому их таких объектов соответствует определенный код. Точно также любому коду соответствует определенное изображение на поле рецепторов. Взаимно однозначное соответствие между кодами и изображениями позволит оперировать только кодами, помня о том, что изображение всегда может быть воспроизведено по его коду.

Емкость ИНС – число образов, предъявляемых на входы ИНС для распознавания. Для разделения множества входных образов, например, по двум классам достаточно всего одного выхода. При этом каждый логический уровень – "1" и "0" – будет обозначать отдельный класс. На двух выходах можно закодировать уже 4 класса и так далее. Для повышения достоверности классификации желательно ввести избыточность путем выделения каждому классу одного нейрона в выходном слое или, что еще лучше, нескольких, каждый из которых обучается определять принадлежность образа к классу со своей степенью достоверности, например: высокой, средней и низкой. Такие ИНС позволяют проводить классификацию входных образов, объединенных в нечеткие (размытые или пересекающиеся) множества. Это свойство приближает подобные ИНС к условиям реальной жизни.

3. Нейрокомпьютеры и сети

Международный союз электросвязи (МСЭ, англ. The International Telecommunication Union, ITU) при сотрудничестве с экспертами McKinsey Global Institute, подразделения по изучению экономики и бизнеса McKinsey & Company, в своём исследовании смоделировал экономический эффект искусственного интеллекта (ИИ). При этом авторы учитывали такие факторы, как трансформация мирового рынка труда под влиянием автоматизации, необходимость коренных изменений в навыках работников и использование ИИ отдельными компаниями. Воздействие ИИ на мировую экономику будет проходить по семи основным каналам: увеличение производства; замена существующих продуктов и услуг; инновации и расширение линеек продуктов и услуг; экономические выгоды от увеличения глобальных потоков; создание и реинвестирование ценностей; затраты на переход и внедрение ИИ; отрицательные внешние эффекты.

Принимая во внимание тот факт, что ИИ в будущем может непосредственно затронуть конкурентную борьбу, что повлечёт за собой последствия для компаний, рынков труда и национальных экономик, ITU формирует основные выводы своей работы. ИИ объединяет пять групп технологий машинное зрение, естественный язык, виртуальные помощники, роботизированная автоматизация процессов и расширенное машинное обучение и в целом имеет огромный потенциал для вклада в глобальную экономическую деятельность. Некоторые компании попробуют использовать одну из технологий ИИ для выполнения отдельных функций, другие могут применить все перечисленные. Внедрение технологий ИИ произойдёт стремительно, и к 2030 году будет генерировать 1,2% прироста мирового ВВП больше, чем все ранее внедрённые технологии. В то же время экономический эффект ИИ может проявляться постепенно, в ускоряющемся темпе и быть заметным только с течением времени из-за необходимости существенных затрат на внедрение на старте и усиливающих эффектов конкуренции и взаимодополнения впоследствии.

ИИ может повысить эффективность мировой экономики, но распределение полученных выгод, скорее всего, будет неравномерным. Внедрение ИИ увеличит отставание развивающихся стран от развитых, тем самым усиливая нынешний цифровой разрыв между государствами. На уровне компаний использование ИИ может привести к увеличению разрыва в производительности между лидерами по внедрению этих технологий и теми, кто промедлил во внедрении либо вовсе не использовал технологии в своей деятельности. Наконец, ИИ может сдвинуть спрос на мировом рынке труда с профессий, требующих выполнения рутинных задач, к социально и познавательно ориентированным специальностям, а также к связанным с деятельностью, которую трудно автоматизировать.

Другими словами, в случае если развитие и внедрение технологий ИИ будет протекать неэффективно, может усугубляться неравенство между национальными экономиками, отдельными компаниями и работниками на рынке труда, что будет подпитывать возможные социальные конфликты. Чтобы этого избежать, правительства стран совместно с бизнесом должны обеспечить поддержку и безболезненный переход работников на новые востребованные рабочие места, а самим людям будет необходимо освоить новые навыки в соответствии с потребностями динамично меняющегося рынка труда.

Приведены результаты оценки эффективности инвестиционного проекта, полученные с использованием нейронечеткой системы. В отличие от традиционных методов оценки эффективности проекта, которые плохо работают в условиях неполной информации, предложено использовать инструментарий, относящийся к "слабым" методам искусственного интеллекта. В качестве инструментов для решения задачи выбраны искусственная нейронная сеть и система нечеткой логики. Объединение этих технологий в гибридную нейронечеткую систему, сочетающую лучшие свойства указанных методов, позволило сформировать количественную оценку эффективности инвестиционных проектов. Продемонстрирована работа нейронечеткой системы типа ANFIS (adaptive neuro-fuzzy inference system), реализованная в программном комплексе MatLab R2012b. Выведено уравнение регрессии, связывающее входные параметры инвестиционного проекта с оценкой его эффективности, и проведено сравнение двух подходов к решению задачи.

Discover the world's research

20+ million members
135+ million publications
700k+ research projects

The results of the analysis of the investment pr oject with the help of a neuro-fuzzy system are pr esented.

Unlike the traditional methods of evaluating the effectiveness of the pr oject, which works poorly in

conditions of incomplete information, it is pr oposed to use tools related to “weak” methods of artiﬁcial

intelligence. As an instrument for solving the pr oblem, an artiﬁcial neural network and a fuzzy logic

system were chosen. Incorporation these technol ogies into a hybrid neuron-fuzzy system that combines

The regression equation connecting the input par ameters of the investment project with the evaluation

of its efﬁciency was derived and a comparison of the two approaches to the solution of the pr oblem was

Krichevskiy M.L., Martynova Yu.A. (2018) Instrumenty iskus stvennogo intellekta pri otsenke effektivnosti

. Ниже кратко описаны некоторые методы МО, которые используются в этой работе. В [4, 5] Simulink, что позволило оценивать компетенции персонала путем отнесения их к заранее выделенным классам: высокому и низкому уровням. В [5] (Krichevskiy, Martynova, 2018) оценка эффективности инвестиционного проекта была получена с использованием нейронечеткой системы типа ANFIS (Adaptive Neuro-Fuzzy Inference System). .

. В [4,5] Simulink, что позволило оценивать компетенции персонала путем отнесения их к заранее выделенным классам: высокому и низкому уровням. В [5] (Krichevskiy, Martynova, 2018) оценка эффективности инвестиционного проекта была получена с использованием нейронечеткой системы типа ANFIS (Adaptive Neuro-Fuzzy Inference System). В данной работе методы МО будут использоваться для решения задачи по выбору финансового учреждения для обслуживания организаций. .

. В частности, в[4] (Krichevskiy, Dmitrieva, Martynova, 2018) для выявления компетенций персонала применялась нейросетевая технология в совокупности c инструментом имитационного моделирования Simulink, что позволило оценивать компетенции персонала путем отнесения их к заранее выделенным классам: высокому и низкому уровням. В [5] (Krichevskiy, Martynova, 2018) оценка эффективности инвестиционного проекта была получена с использованием нейронечеткой системы типа ANFIS (Adaptive Neuro-Fuzzy Inference System). В данной работе методы МО будут использоваться для решения задачи по выбору финансового учреждения для обслуживания организаций. .

Приведены результаты выбора финансового учреждения для обслуживания организаций с использованием технологий, применяемых в машинном обучении, в частности, нейронных сетей и нечеткой логики. В условиях недостаточной информации традиционные способы решения такого рода задач работают недостаточно надежно, поэтому в работе демонстрируется метод определения лучшего банка посредством указанных технологий. Для поиска нужного решения выполнено моделирование случайных значений тех параметров, которые отвечают, по мнению автора, за выбор банка. Такая база примеров, которую можно назвать "игрушечной", участвует в обучении нейронной сети. Кроме того, показана возможность получения оценки эффективности выбранного учреждения для обслуживания организации с помощью нечеткой логики.

The architecture and learning procedure underlying ANFIS (adaptive-network-based fuzzy inference system) is presented, which is a fuzzy inference system implemented in the framework of adaptive networks. By using a hybrid learning procedure, the proposed ANFIS can construct an input-output mapping based on both human knowledge (in the form of fuzzy if-then rules) and stipulated input-output data pairs. In the simulation, the ANFIS architecture is employed to model nonlinear functions, identify nonlinear components on-line in a control system, and predict a chaotic time series, all yielding remarkable results. Comparisons with artificial neural networks and earlier work on fuzzy modeling are listed and discussed. Other extensions of the proposed ANFIS and promising applications to automatic control and signal processing are also suggested

The article deals with the use of fuzzy logic as a support of evaluation of total project risk. A brief description of actual project risk management, fuzzy set theory, fuzzy logic and the process of calculation is given. The major goal of this paper is to present am new expert decision-making fuzzy model for evaluating total project risk. This fuzzy model based on RIPRAN method. RIPRAN (RIsk PRoject ANalysis) method is an empirical method for the analysis of project risks. The Fuzzy Logic Toolbox in MATLAB software was used to create the decision-making fuzzy model. The advantage of the fuzzy model is the ability to transform the input variables The Number of Sub-Risks (NSR) and The Total Value of Sub-Risks (TVSR) to linguistic variables, as well as linguistic evaluation of the Total Value of Project Risk (TVPR) – output variable. With this approach it is possible to simulate the risk value and uncertainty that are always associated with real projects. The scheme of the model, rule block, attributes and their membership functions are mentioned in a case study. The use of fuzzy logic is a particular advantage in decision-making processes where description by algorithms is extremely difficult and criteria are multiplied.

The methods of ordinary least-squares regression (OLSR), fuzzy regression (FR), and adaptive network-based fuzzy inference system (ANFIS) are compared in inferring operating rules for a reservoir operations optimization problem. Dynamic programming (DP) is used as an example optimization tool to provide the input–output data set to be used by OLSR, FR, and ANFIS models. The coefficients of an FR model are found by solving a linear programming (LP) problem. The objective function of the LP is to minimize the total fuzziness of the FR model, which is related to the width of fuzzy coefficients in the regression model. Before applying FR to the reservoir operations problem, two FR formulations and interval regression (IR) are first examined in a simple tutorial example. ANFIS is also used to derive the reservoir operating rules as fuzzy IF-THEN rules. The OLSR, FR, and ANFIS based rules are then simulated and compared based on their performance in simulation. The methods are applied to a long-term planning problem as well as to a medium-term implicit stochastic optimization model. The results indicate that FR is useful to derive operating rules for a long-term planning model, where imperfect and partial information is available. ANFIS is beneficial in medium-term implicit stochastic optimization as it is able to extract important features of the system from the generated input–output set and represent those features as general operating rules.

Contenido: 1. Introducción a la inteligencia artificial: Una breve historia de la inteligencia artificial; Usos y limitaciones; Representación del conocimiento. 2. Búsqueda; Metodologías de búsqueda; Búsqueda avanzada; Jugar el juego; Lógica: Lógica proposicional y predicativa; Inferencia y resolución para solución de problemas; Reglas y sistemas expertos. 4. Aprendizaje por máquinas: Introducción al aprendizaje por máquinas; Redes neurales; Razón probabilística y redes de conducta bayesiana; Vida artificial: Aprendizaje a través de conducta emergente; Algoritmos genéticos. 5. Planeación: Introducción a la planeación; Métodos de planeación. 6. Conceptos avanzados: Representación avanzada del conocimiento; Razonamiento difuso; Agentes inteligentes; Comprensión del lenguaje; Visión de máquinas.

Included in Prentice Hall's MATLAB Curriculum Series, this text provides a comprehensive treatment of the methodologies underlying neuro-fuzzy and soft computing. The book places equal emphasis on theoretical aspects of covered methodologies, empirical observations, and verifications of various applications in practice.

Методические аспекты оценки эффективности инвестиционных проектов // Управление экономическими системами

Кричевский М.Л. Прикладные задачи менеджмента. / Монография. -Москва: Креативная экономика, 2018. -210 c.

Recommended publications

Experimental Investigation of the Physical properties of Composite Materials

In this paper practical and theoretical effects of different composite materials were studied by conjugating two materials , one of them is the strong virgin polymer high density polyethylene and the other is the scrap of tire tubes , each one is different in its physical properties. The preparation of specimens from a composite of HDPE and the scrap of tire tubes mm with different weight . [Show full abstract] ratios % then evaluated by both mechanical and thermal tests , in order to measure and estimate the modulus of elasticity ,shore hardness , impact strength and thermal conductivity for various polymeric specimens. The optimum thermal insulation was obtained with 40% weight of the scrap of tire tu es and D E the optimum thermal ondu tivit has a propert of m less than the other composites samples. In addition , neuro fuzzy models are developed to predict the physical properties (elastic modulus, thermal conductivity, shore hardness and impact strength ) of the composite materials using fuzzy logic toolbox in the Matlab version 7.10. Different membership functions and adaptive neuro fuzzy inference systems (ANFIS) are used in these models. The selected input variables include the scrap of tire tubes and HDPE that are used in these models. During the test of neuro fuzzy models, good agreements were observed with the obtained results from other methods. So the important aim is manufacturing useful materials from waste materials as a friendly research to the environment by recycling the scrap of tire tubes to make new useful materials and to decrease the cost and the energy used for heating the buildings. By using thermal insulation materials and introducing them to the building market during the last decades can give the same thermal resistance using a thinner construction.

Simulation of the adaptive neuro-fuzzy inference system (ANFIS) inverse controller using Matlab S-fu.

UAV Controller Based on Adaptive Neuro-Fuzzy Inference System and PID

ANFIS is combining a neural network with a fuzzy system results in a hybrid neuro-fuzzy system, capable of reasoning and learning in an uncertain and imprecise environment. In this paper, an adaptive neuro-fuzzy inference system (ANFIS) is employed to control an unmanned aircraft vehicle (UAV). First, autopilots structure is defined, and then ANFIS controller is applied, to control UAVs lateral . [Show full abstract] position. The results of ANFIS and PID lateral controllers are compared, where it shows the two controllers have similar results. ANFIS controller is capable to adaptation in nonlinear conditions, while PID has to be tuned to preserves proper control in some conditions. The simulation results generated by Matlab using Aerosim Aeronautical Simulation Block Set, which provides a complete set of tools for development of six degree-of-freedom. Nonlinear Aerosonde unmanned aerial vehicle model with ANFIS controller is simulated to verify the capability of the system. Moreover, the results are validated by FlightGear flight simulator.

ANFIS Based Trajectory Tracking of a SCARA Robot

Robot kinematics plays a crucial role in recent advancements within industrial sectors and numerous medical applications. Finding forward kinematics, using DH convention is an easy task. As compared to forward kinematics, finding the inverse kinematics solution is far more challenging problem, especially when degrees-of-freedom (DOFs) are more. That is why; there is no general solution to the . [Show full abstract] inverse kinematic problem of a given serial manipulator. This led to the development of alternate technique like fuzzy inference system (FIS) and neural network approach (NNA). This paper uses the combination of above two techniques, called as adaptive neuro fuzzy inference system (ANFIS), along with Gaussian membership function, in order to address the inverse kinematic problem of a 4-DOFs SCARA robot. The solutions obtained using ANFIS are further utilized for tracking the desired trajectory by the SCARA robot. Further, the complete analytical solution is developed in MATLAB environment for the validation purpose. It has been demonstrated with simulation runs that ANFIS results are satisfactory and are found in close approximation with analytical solutions.

Читайте также: