Система нечеткого регулирования рабочего агента

Качество протекания технологического процесса в значительной степени зависит от правильного выбора и точности настройки регуляторов, применяемых в автоматизированных системах управления. В настоящее время температурными режимами многих технологических объектов управляют системы, использующие двухпозиционное регулирование, либо пропорционально интегрально дифференциальные (ПИД) регуляторы или его модификации. Точность поддержания температуры на заданном уровне при двухпозиционном способе регулирования зависит от двух факторов: точности измерения температуры регистрирующим прибором (погрешности термопары, пирометра и т.д.) и предельной коммутационной способности исполнительного элемента системы регулирования температуры (контактора или тиристорного регулятора напряжения). Следует отметить тот факт, что предельная коммутационная способность полупроводниковых систем регулирования напряжения намного выше, чем у контакторной коммутационной аппаратуры. То есть, в случае использования полупроводниковых систем регулирования напряжения основным фактором, влияющим на точность поддержания температуры, будет являться точность измерения температуры регистрирующим прибором, а в случае применения контакторов – их предельная коммутационная способность.

Аннотация статьи
аппаратура
температура
регулирование
коллектива агентов
Ключевые слова

Пусть имеется обучающая выборка L, и выбрано множество алгоритмов (классификации или регрессии) 𝐴ଵ , … , 𝐴k. Эти алгоритмы называются базовыми алгоритмами. Для объединения решений используется специальный алгоритм, который называется мета-алгоритмом. Входными данными мета-алгоритма являются решения базовых алгоритмов. Например, в случае мета-классификатора, его входными данными являются решения базовых классификаторов, т.е. его входом является множество меток классов, к которым базовые классификаторы отнесли описание входного объекта. Множество меток на входе мета-алгоритма интерпретируется как множество признаков нового признакового пространства. Коллективные методы (Ensemble Methods) принятия решений представляют собой группу методов, позволяющих рассмотреть гораздо больше возможных альтернатив в групповом решении чем в индивидуальном [1].

Это – мета-алгоритмы, которые объединяют несколько методов машинного обучения в одну прогностическую модель, с целью повышения точности и улучшения результатов. Коллективы – это наборы обучающих машин, которые каким-то образом объединяют свои решения, или алгоритмы обучения, или разные представления данных, или другие специфические характеристики, чтобы получить более надежные и более точные прогнозы в задачах обучения с учителем и без. В литературе для обозначения коллективов, которые работают вместе для решения задачи машинного обучения, использовалось множество терминов: ансамбль, слияние, комбинация, агрегация, комитет, но в данной работе используется термин «коллектив» в его самом широком значении, чтобы охватить весь спектр комбинированных методов. В настоящее время коллективные методы представляют собой одно из основных современных направлений исследований в области машинного обучения.

В процессе формирования коллективов методов необходимо пройти следующие этапы:

  • предварительная обработка данных (отбор информативных признаков, отбор экземпляров выборки, нормирование данных, восстановление пропусков, удаление выбросов и т.д.);
  • выбор структуры использования отдельных алгоритмов (агентов) (параллельная, последовательная или смешанная);
  • выбор агентов, в зависимости от постановки задачи (линейная регрессия, метод опорных векторов, искусственная нейронная сеть, метод k – ближайших соседей, деревья решений, системы на нечеткой логике, правила индукции и т.д.);
  • выбор алгоритма формирования коллектива агентов (бэггинг, бустинг, случайный лес, блендинг, стэкинг и т.д.);
  • выбор способа агрегирования результатов отдельных моделей (простое или взвешенное голосование, усреднение (взвешенное или невзвешенное), ранжирование и т.д.);
  • выбор критериев оценки качества полученного результата (F – мера, ROS – кривые, критерий ССС, критерий MSE и т.д.) [2].

Комбинирование (агрегирование) моделей дает синергетический эффект, при котором недостатки агентов по отдельности компенсируются достоинствами других, что в свою очередь объясняется возможностью использования более обширного пространства гипотез относительно структуры данных для получения наиболее точной гипотезы. Одним из дополнительных подходов к гибридизации моделей является разбиение всего множества исходных данных на отдельные кластеры, имеющие однородные статистические характеристики, и построение для них отдельных агентов. Проблема состоит в правильности разбиения на кластеры. При этом, каждый агент имеет свою специфическую область применения. К примеру, одни агенты лучше справляются с задачами, в которых объекты каждого класса описаны «шарообразными» областями многомерного пространства; другие же предназначены для поиска «ленточных» классов и т.д. Также на различных объектах выборки один агент может ошибаться, в то время как другие дают верный ответ. В случае, когда данные имеют разнородную природу (рисунок), для выделения групп объектов также целесообразно применять не один агент, а набор различных агентов. Комбинация отдельных технологий в коллективе может компенсировать недостатки обучающих алгоритмов отдельных агентов, а также позволяет получить более эффективные решения в условиях «зашумленных» данных, при наличии в них «пропусков». Соответственно, коллектив может дать больший эффект, чем применение отдельного агента, увеличивая эффективность и надежность системы в целом [2].

Рис. Пример расположения данных

Текст статьи
  1. Электрооборудование и автоматика электротермических установок: Справочник / Под ред. А.П. Альтгаузена, М.Д. Бершицкого, М.Я. Смелянского, В.М. Эдемского. – М.: Энергия, 1978. – 303 с.
  2. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. – СПб.: БХВ-Петербург, 2003. – 736 с.
Список литературы