The Transactions of the Korea Information Processing Society (정보처리학회 논문지)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Design of a Neuro-Fuzzy System Using Union-Based Rule Antecedent

합 기반의 전건부를 가지는 뉴로-퍼지 시스템 설계

  • Received : 2023.12.13
  • Accepted : 2023.12.18
  • Published : 2024.02.29
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, union-based rule antecedent neuro-fuzzy controller, which can guarantee a parsimonious knowledge base with reduced number of rules, is proposed. The proposed neuro-fuzzy controller allows union operation of input fuzzy sets in the antecedents to cover bigger input domain compared with the complete structure rule which consists of AND combination of all input variables in its premise. To construct the proposed neuro-fuzzy controller, we consider the multiple-term unified logic processor (MULP) which consists of OR and AND fuzzy neurons. The fuzzy neurons exhibit learning abilities as they come with a collection of adjustable connection weights. In the development stage, the genetic algorithm (GA) constructs a Boolean skeleton of the proposed neuro-fuzzy controller, while the stochastic reinforcement learning refines the binary connections of the GA-optimized controller for further improvement of the performance index. An inverted pendulum system is considered to verify the effectiveness of the proposed method by simulation and experiment.

본 논문에서는 규칙의 수를 줄여 간결한 지식 기반을 보장할 수 있는 합 기반의 전건부를 가지는 뉴로-퍼지 제어기를 제안하였다. 제안된 뉴로-퍼지 제어기는 모든 입력 변수의 AND 조합을 전건부로 하는 구조의 퍼지 규칙보다 더 큰 입력 영역을 커버하기 위해 전건부에 입력 퍼지 집합의 합집합 연산을 허용하였다. 이러한 뉴로-퍼지 제어기를 구성하기 위해 본 논문에서는 OR 및 AND 퍼지 뉴런으로 구성된 multiple-term unified logic processor (MULP)를 고려하였다. 이러한 OR 및 AND 퍼지 뉴런은 조정 가능한 연결 강도 집합을 가지므로 학습을 통하여 최적의 연결 강도 집합을 찾을 수 있다. 초기 최적화 단계에서 유전 알고리즘은 제안된 뉴로 퍼지 제어기의 최적화된 이진 구조를 구성하고, 이후 확률에 기반한 강화 학습은 성능 지수를 더욱 향상시켜서 유전 알고리즘에 의해 최적화된 제어기의 이진 연결을 개선하였다. 역진자 시스템을 제어하기 위한 모의실험 및 실험을 통해 제안된 방법의 유효성을 검증하였다.

Keywords

References

  1. M. N. Uddin, Md. S. Arifin, and N. Rezaei, "A novel neuro-fuzzy based direct power control of a DFIG based wind farm incorporated with distance protection scheme and LVRT capability," IEEE Trans. Industry Applications, Vol.59, No.5, pp.5792-5803, 2023.  https://doi.org/10.1109/TIA.2023.3289441
  2. S. Song. J. H. Park, B. Zhang, X. Song, and Z. Zhang, "Adaptive command filtered neuro-fuzzy control design for fractional-order nonlinear systems with unknown control directions and input quantization," IEEE Trans. Systems, Man, and Cybernetics: Systems, Vol.51, No.11, pp.7238-7249, 2020.  https://doi.org/10.1109/TSMC.2020.2967425
  3. Md. M. Ferdaus, M. Pratama, S. G. Anavatti, M. A. Garratt, and Y. Pan, "Generic evolving self-organizing neuro-fuzzy control of bio-inspired unmanned aerial vehicles," IEEE Trans. Fuzzy Systems, Vol.28, No.8, pp.1542-1556, 2019.  https://doi.org/10.1109/TFUZZ.2019.2917808
  4. W. Pedrycz, M. Reformat, and C. W. Han, "Cascade architectures of fuzzy neural networks," Fuzzy Optimization and Decision Making, Vol.3, No.1, pp.5-37, 2004.  https://doi.org/10.1023/B:FODM.0000013070.26870.e6
  5. N. Xiong and L Litz, "Reduction of fuzzy control rules by means of premise learning method and case study," Fuzzy Sets and Systems, Vol.132, No.2, pp.217-231, 2002.  https://doi.org/10.1016/S0165-0114(02)00112-4
  6. D. E. Goldberg, Genetic algorithms in search, optimization and machine learning, Addison-Wesley, Reading, MA, 1989. 
  7. S. Bandyopadhyay and U. Maulik, "Nonparametric genetic clustering: Comparison of validity indices," IEEE Trans. Systems, Man and Cybernetics-PartC., Vol.31, No.1, pp. 120-125, 2001.  https://doi.org/10.1109/5326.923275
  8. C. W. Han and J. I. Park, "Design of a fuzzy controller using random signal-based learning employing simulated annealing," Proceeding of the IEEE Conference on Decision and Control, Sydney, Australia, pp.396-397, 2000.