DOI: https://doi.org/10.15588/1607-3274-2014-2-12

KNOWLEDGE-ORIENTED TECHNOLOGIES IN HIGHLY AUTOMATED PRODUCTION

Ye. I. Kucherenko, S. N. Trokhimchuk, O. D. Driuk

Abstract


The expansion of Zadeh-Mamdani method in problems of fuzzy inference on knowledge is considered. A modified method of fuzzy inference is proposed and justified. The proposed method is based on interpretation of components of fuzzy Petri nets as production rules and solving of logical equations in the state space of membership functions of the model, followed by their defuzzification. The process of perceptron learning as procedure of adjusting the weights and shifts to decrease the difference between target and real signals on its output, using a definite tuning (learning) rule is defined. Modified methods of gradient procedures based on the method of back-propagation for multilayer neural networks are developed. Application of the proposed approaches based on advanced hybrid models with solving the problems of fuzzy inference and operative informed decision making allowed to reduce the time to identify, locate and eliminate the causes of failure on the set of alternatives, which is confirmed by experiment. The method appears to be universal in decision-making problems and allows to increase the adequacy of hybrid model and the accuracy of decisions.


Keywords


Zadeh-Mamdani, modification, knowledge, rules, inference, Petri net, dichotomy, defuzzification.

References


Кучеренко Е. И. Гибридные модели и информационные тех- нологии в управлении сложными объектами / Е. И. Кучеренко., С. Н. Трохимчук // Комп’ютерно-інтегровані технології: освіта, наука, виробництво. – Луцьк : ЛНТУ, 2013. – С. 46–51. 2. Конкин Р. В. Методы ранжирования данных с учетом свойств нечетких систем / Р.В. Конкин // Вісник НТУ «ХПІ». Серія Нові рішення в сучасних технологіях. – Х. : НТУ «ХПІ». – 2013. – № 1 (977). – С. 26–30. 3. Jensen R. Computational intelligence and feature selection: rough and fuzzy approaches / R. Jensen, Q. Shen. – Hoboken : John Wiley & Sons, 2008. – 339 p. 4. Jang J. R. ANFIS: Adaptive-network-based fuzzy inference system / J. R. Jang // IEEE transactions on systems and cybernetics. – 1993. – Vol. 23. – P. 665–685. DOI: 10.1109/21.256541. 5. Бодянский Е. В. Нейро-фаззи сети Петри в задачах моделирования сложных систем : монография / Е. В. Бодянский, Е. И. Кучеренко, А. И. Михалев. – Дніпропетровськ : Системні технології, 2005. – 311 с. 6. Subbotin S. The neuro-fuzzy network synthesis and simplification on precedents in problems of diagnosis and pattern recognition / S. Subbotin // Optical Memory and Neural Networks (Information Optics). – 2013. – Vol. 22, № 2. – P. 97–103. DOI: 10.3103/s1060992x13020082 7. Руденко О. Г. Основы теории искусственных нейронных се- тей / О. Г. Руденко, Е. В. Бодянский. – Харьков : ТЕЛЕТЕХ, 2002. – 317 с. 8. Тарасенко О. П. Нейронно-мережні моделі якості : моногра- фія / О. П. Тарасенко, С. М. Трохимчук. – Харків : УІПА, 2013. – 115 с. 9. Tsoukalas L. H. Fuzzy and Neural Approaches in Engineering / L. H. Tsoukalas, R. E. Uhrig. – New York : John Wiley&Sons.Inc, 1997. – 587 p. 10. Методи, моделі та інформаційні технології оцінювання станів складних об’єктів / Кучеренко Є. І., Кучеренко В. Є., Глушенкова І. С., Творошенко І. С. – Харків : ХНАМГ, ХНУРЕ, 2012. – 276 с.


GOST Style Citations








Copyright (c) 2015 Ye. I. Kucherenko, S. N. Trokhimchuk, O. D. Driuk

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Address of the journal editorial office:
Editorial office of the journal «Radio Electronics, Computer Science, Control»,
National University "Zaporizhzhia Polytechnic", 
Zhukovskogo street, 64, Zaporizhzhia, 69063, Ukraine. 
Telephone: +38-061-769-82-96 – the Editing and Publishing Department.
E-mail: rvv@zntu.edu.ua

The reference to the journal is obligatory in the cases of complete or partial use of its materials.