2312

Использование нечеткой логики при моделировании и проектировании

Контрольная

Архитектура, проектирование и строительство

Membership Function Editor. Пакет Fuzzy Logic Toolbox. Нечеткая логика в программе Simulink. Функции пакета, запускаемые из рабочей области. Нелинейное шумоподавление.

Русский

2013-01-06

736.94 KB

313 чел.

  1.  Введение

Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было введено профессором Лютфи Заде в 1965 г. В этой работе понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0..1] а не только 0 или 1. такие множества были названы нечеткими. Также автором были предложены различные логические операции над нечеткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечеткие множества.

Началом практического использования нечеткой логики можно считать 1973 год когда Мамдани и Ассилиан построили первый нечеткий котроллер для лабораторной модели парового двигателя. Концепцию контроллера составляют идеи нечеткого вывода и нечеткого алгоритма изложенного Заде. В конце 70-х годов были разработано еще несколько нечетких контроллеров.

В Японии первый нечеткий контроллер был разработан Сугено в 1983 году для системы очистки воды. Четыре года спустя фирма Hitachi разработала нечеткую систему управления движением электропоездом метро. В 90-х годах началось серийное производство изделий с нечеткой логикой, бытовых приборов: камеры с автоматической фокусировкой Canon, кондиционеры воздуха, стиральные машины, и другое.

В 1994 году Коско доказал теорему о нечеткой аппроксимации согласно которой любая математическая система может быть апроксиирована системой на нечеткой логике. Иными словами с помощью простых лингвистических правил «Если…ТО…» и их последующей формализацией нечеткими множествами можно сколько угодно точно отразить любую взаимосвязь входы – выход без использования аппарата дифференциального и интегрального исчисления или иного, традиционно принятого в управлении и идентификации.

Сегодня нечеткая логика является стандартным методом при моделировании и проектировании. Такие системы используются в медицине, технической диагностике, управлении технологическими процессами, компьютерными сетями, а также для приближенных вычислений


Пакет Fuzzy Logic Toolbox

В вычислительную среду Matlab интегрированы десятки пакетов инженерных и математических программ, одним из них является пакет Fuzzy Logic Toolbox. Он предназначен для проектирования и исследования систем на нечеткой логике.

 2.1 Структура пакета

Пакет Fuzzy Logic Toolbox поддерживает все стадии разработки нечетких систем: их синтез, исследование, проектирование, моделирование, внедрение в режим реального времени. Встроенные GUI-модули обеспечивают понятную среду, с графическим интерфейсом. Функции пакета реализуют большинство современных нечетких технологий, включая нечетких логический вывод, нечеткую кластеризацию и адаптивную нейро-нечеткую настройку(ANFIS). Fuzzy Logic Toolbox открыт для пользователя, можно просмотреть алгоритмы, просмотреть исходный код, добавить собственные функции принадлежности или процедуры дефаззификации. Ключевыми особенностями этого пакета являются:

  1.  специализированные GUI-модули для создания нечеткого вывода;
  2.  реализация алгоритмов нечеткого вывода Сугено и Мамдани;
  3.  библиотека функций принадлежности;
  4.  настройка функций принадлежности ANFIS-алгоритмом;
  5.  возможность внедрения систем нечеткого вывода в Simulink через модуль Fuzzy Logic Controller;
  6.  Си-код алгоритмов, позволяющий использовать спроектированные система вне среды MATLAB;

Fuzzy Logic Toolbox содержит функции которые вызываются из рабочей области программы(командная строка) и несколько графических модулей, позволяющих настраивать систему визуально, в виде диалогов. Последнее удобнее, но возможности этих модулей ограниченные. Fuzzy Logic Toolbox включает следующие GUI-модули:

  1.  Fuzzy Inference System Editor – редактор общих свойств системы нечеткого вывода. Позволяет установить количество входов и выходов системы, выбрать тип системы(Мамдани или Сугено), метод дефаззификации, реализации логических функций( И и ИЛИ), вызвать другие GUI-модули,
  2.  Membership Function Editor – редактор функций принадлежности. Выводит на экран графики функций принадлежности термов входных и выходных переменных. Позволяет выбрать количество этих термов, задать их тип и параметры для каждого терма.
  3.  Rule Editor – редактор нечеткой базы знаний. Позволяет задать и редактировать правила нечеткой базы знаний.
  4.  Rule Viewer – браузер нечеткого вывода. Визуально показывает выполнение нечеткого вывода по каждому правилу в виде графиков.
  5.  Surface Viewer – браузер поверхности «входы-выход». Выводит поверхность зависимости выходной переменной от любых двух выходных.
  6.  ANFIS EDITOR – редактор нейро-нечеткой сети. Позволяет синтезировать и настроить нейро-нечеткие сети по выборке данных вход выход(обучающей выборке). Для настройки используется метод обратного распространения ошибки или его комбинация с методом наименьших квадратов.
  7.  Findcluster – инструмент субтрактивной кластеризации по горному методу или по алгоритму нечетких с-средних. Позволяет найти центры кластеров данных, которые используются для экстракции нечетких правил.

Все GUI-модули, кроме Findcluster, динамически обмениваются данными друг с другом и могут быть вызваны один из другого.

2.2 Fuzzy Inference System Editor

Редактор общих свойств системы нечеткого вывода. Позволяет задать тип системы, ее имя, количество входных и выходных переменных, параметры нечеткого вывода. Полученную системы можно сохранить на диск в файл *.fis или в рабочую область, если например захочется добавить ее в программу Simulink. Он загружается из меню пакетов или командами fuzzy, fuzzy(fis), fuzzy(file_name.fis). В последних двух командах в него сразу загружается система из рабочей области или из файла. Ее окно представлено на рис. 1.

Меня File является общим для всех модулей нечеткого вывода.

По команде New FIS… создается новая система нечеткого вывода. При ее вызове появляются две альтернативы Mamdani и Sugeno, задающие тип нечеткой системы. По команде Import 

Рисунок 1 Окно модуля Fuzzy Inference System Editor

загружается система созданная до этого и сохраненная либо в рабочей области или в файл( соответственно From Disk или From Workspace). По команде Export созданная система аналогично сохраняется в рабочую область или на диск. По команде Print печатается копия графического окна.

Меню Edit. По команде Add Variable в систему нечеткого вывода добавляется еще одна входная или выходная переменная.

Команда Remove Srlrcted Variable удаляет текущую выделенную переменную(чтобы ее выделить нужно щелкнуть по прямоугольнику в графическом окне, она выделиться красной каймой).

Команда Member Function вызывает редактор функций принадлежности.

Команда Rules вызывает редактор базы знаний системы.

При работе с системой типа Сугено доступна еще одна команда ANFIS – это редактор нейро-нечеткой сети.

Меню View . В нем доступны две команды Rules – выводит окно визуализации нечеткого вывода, а Surface – поверхность «входы – выход».

Кроме главного меню под графическим окном расположены области, для настройки системы.

And Method – устанавливает реализацию логического И над нечеткими множествами, который будут в системе min – минимум и prod – умножение(вероятностное И).

Or Method – устанавливает реализацию логического ИЛИ, max – максимум, probor – вероятностное ИЛИ( т.е a+b-ab).

Implication – устанавливает реализацию импликации min и prod(умножение).

Aggregation – устанавливает в нечетком выводе Мамдани следующие типы агрегации: max- максимум, sum- ограниченная сумма, probor – вероятностное ИЛИ.

Для этих операций можно использовать и другие функции, для этого нужно в списке выбрать Custom и в появившемся окне напечатать имя m-функции, реализующей операцию.

Defuzzification – выбирает метод дефаззификации. Для системы Мамдани запрограммированы следующие методы: centoid – центр тяжести, bisector – медиана, lom – наибольший из максимумов. Для системы Сугено доступны методы wtaver – взвешанное среднее и wtsum – взвешенная сумма. Можно установить другой метод дефаззификации, для этого нужно выбрать Custom и указать имя m – функции.

Также в этом окне можно задать имя переменной, там же показан ее диапазон значений Range.

2.3 Membership Function Editor

Редактор функций принадлежности. Предназначен для редактирования терм-множеств, термов, функций принадлежности входных и выходных переменных. Вызывается из любого GUI-модуля, или из модуля Fuzzy Inference System Editor двойным щелчком по любой переменной или командой mfedit. Его окно показано на рисунке 2. и Рисунке 3. В поле Range водиться диапазон значений входной переменной. В поле Display Range диапазон, который будет показан на графике. Для редактирования функции принадлежности нужно выделить ее мышью прямо на графике и в поле Name ввести имя терма(нечеткого множества), Type – тип функции принадлежности, Params – параметры функции принадлежности, которые вводятся в одной строке, для каждой функции они имеют свой смысл. Редактировать функцию можно и так выделить ее мышью на графике и перемещать, или раздвигать мышью. Остальные меню аналогичны предыдущему модулю, кроме Edit.

Add MFs… - добавляет термы в терм-множество текущей переменной. При этом появиться окно, в котором можно выбрать количество добавляемых термов и тип их функций принадлежности. Параметры устанавливаются автоматически.

Рисунок 2. Окно программы Membership Function Editor с треугольными функциями принадлежности

Рисунок 3. Окно программы Membership Function Editor с гауссовыми функциями принадлежности

Add Custom MFs – добавляет терм с невстроенной функцией принадлежности. При ее выборе нужно напечатать имя m – файла,

содержащего функцию принадлежности.

Remove Selected MF – удаление выделенного терма.

 Remove All MFs удаляет все термы из текущего терм множества.

Rulesредактор базы знаний.

  1.  Rule Editor

Редактор базы знаний. Предназначен для форматирования и модификации базы знаний нечеткой системы. Вызывается из любого модуля командой Rules.. меню Edit. Или командой ruleedit. Его окно показано на Рисунке 4

Для ввода нового правила нужно выбрать соответствующую комбинацию лингвистических термов входных и выходных переменных, выбрать тип их логической связки(И или ИЛИ), если нужно установить операцию НЕ, ввести значение весового коэффициента и нажать кнопу Add Rule. Если переменная в правиле не используется, то вместо ее терма нужно выбрать none.. место ее терма нже испольхольхуеться еременных, выбрать тип их логической связки(И или ИЛИ) инадлежности входных и выходны Для удаления правила из базы нужно нажать кнопку Delete Rule. Для модификации Edit Rule.

Меню Options. Language - выбор языка, Format – формат правил, Verbose – лингвистический, Symbolic – логический(логическое выражение), Indexed индексный., в нем указываются только номера термов переменных, а не их названия.

Правила формируются в виде

ЕСЛИ х1=<терм1> И/ИЛИ х2=<терм 2>…. ТО Y = <терм 3> для система нечеткого вывода Мамдани,или

ЕСЛИ х1=<терм1> И/ИЛИ х2=<терм 2>…. ТО Y = dj, где dj= b0+b1*x1+b2*x2… для системы нечеткого вывода Сугено.

Выполнение операций логического И и ИЛИ над нечетким множеством, получение результата в нечетком выводе Мамдани(импликация, агрегация, дефаззификация) или Сугено(взвешенное среднее или взвешенная сумма) задаются в первом окне FIS EDITOR, которое описано выше.

Рисунок 4 Окно модуля Rule Editor

 

2.5 ANFIS EDITOR

Редактор Нейро-нечеткой сети. Он позволяет автоматически синтезировать нейро-нечеткие сети и настраивать их. Нейро-нечеткую сеть можно размаривать как одно из представлений системы нечеткого вывода Сугено. Вызывается из любого другого GUI-модуля командой Anfis.. меню Edit или командой anfisedit. Ее окно состоит из нескольких областей.

Верхняя часть с графиком называется областью визуализации. Там выводится информация двух типов

  1.  При настройке системы – динамика обучения в виде зависимости ошибки обучения от номера итерации.
  2.  При загрузке данных и тестировании системы – экспериментальные данные и результаты моделирования.

Данные выводятся в виде множества точек в двумерном массиве. По оси абсцисс откладывается номер строчки данных в выборке, а по оси ординат – значение выходной переменной для данной строчки. Используются следующие маркеры:

  1.  

Рисунок 5. Окно модуля ANFIS EDITOR. Результаты оптимизации нейро-нечеткой сети.

Рисунок 6. Структура нейро-нечеткой сети.

  1.  Голубая точка – тестовая выборка
  2.  Голубая окружность – обучающая выборка
  3.  Голубой + - контрольная точка
  4.  Красная звездочка – результаты моделирования.

Область свойств ANFIS Info. В ней выводится число входных и выходных переменных, обьем обучающей выборки. В ней также расположены 2 кнопки – Structure и Clear Plot. Clear Plot очищает область визуализации. Structure открывает новое окно(Рисунок 6),в котором показана структура нейро-нечеткой сети. Кружки там значат:

  1.  Input – входные переменные
  2.  Inputmf – нечеткие термы входных переменных
  3.  Rule – правила из базы знаний
  4.  Outmf – блоки формирующие значение выходной переменной в соответствии со своим правилом(с учетом его коэффициента). Они связаны со всеи входными переменными, но эта связь не показана.
  5.  Output – выход в нем происходит суммирование поступающих сигналов.

Область загрузки данных Load Data. Предназначена для выбора и загрузки данных. Эти данные должны быть представлены в виде матрицы в которой каждая строка содержит очередную выборку, а данные в строке – это числа, самое последнее – значение выходной переменной, первые – значения входных. По таким выборкам проводится обучение(настройка параметров, оптимизация) нейро-нечеткой сети, или проверка точности ее работы. Оптимизация параметров проводится методом наименьших квадратов и обратного распространения ошибки. При этом ошибка вычисляется как

M- число пар данных в выборке

yr – значение выходной переменной в выборке

- значение переменной полученное системой при тех же входных данных.

  1.  Меню выбора типов данных Type содержащее альтернативы: Training – обучающая выборка, Testing – тестовая выборка, Checking – контрольная выборка, Demo – демо набор данных
  2.  Меню выбора источников данных – From : disk – с диска, worksp – из рабочей области.
  3.  Кнопка загрузки данных. Load Data… По ее нажатию выводиться окно выбора файла, если загрузка с диска или окошко в котором нужно написать имя переменной если загрузка происходит из рабочей области.
  4.  Кнопка очистки данных Clear Data.

Область генерирования исходной системы нечеткого вывода. Generated FIS

Load from Disk – загрузка система с диска

Load from workspace – загрузка из рабочей области

Grid partition – генерирование системы по алгоритму решетчатого разбиения(без кластеров)

Sub. Clustering – генерирование системы через субтрактивную кластеризацию по горному методу.

При выборе Grid partition появится окно ввода параметров решетчатого разбиения в котором указывается количество термов для каждой входной переменной и тип функции принадлежности для входных и выходной переменной.

При выборе Sub. Clustering появится окно ввода следующих параметров субтрактивной кластеризации :

  1.  Range of influence – вектор радиусов определяющий соотношение проекций кластеров на координатные оси
  2.  Squash factor – коэффициент подавления, задающий размер кластера, чем больше значение коэффициента, тем больше больше обьектов в окрестности кластера будет включено в него.
  3.  Accept ratio – коэффициент принятия, устанавливающий во сколько раз потенциал данной точки должен быть выше, потенциала центра первого кластера для того, чтобы она рассматривалась как возможный центр следующего кластера.
  4.  Reject ratio – коэффициент отторжения, устанавливающий, во сколько раз потенциал данной точки должен быть ниже потенциала центра первого кластера, чтобы данная точка была исключена из возможных центров кластеров.

Область обучения, тестирования и вывода текущей информации Train FIS.

В ней расположены поле выбора

  1.  метода оптимизации Optim method – имеет 2 варианта backpropa – метод обратного распространения ошибки, основанный на идеях наискорейшего спуска, hybrid – гибридный алгоритм, объединяющий методы обратного распространения ошибки и наименьших квадратов.
  2.  Error Toleranceтребуемая точность
  3.  Epoch – число итераций при обучении.
  4.  Кнопка Train Now для начала обучения

Поле Test FIS содержит поле выбора данных и кнопка Test Now.

  1.  RULE VIEWER

Иллюстрирует ход нечеткого вывода по каждому правилу, получение результирующего нечеткого множества и выполнение процедуры дефаззификации(Рисунок 7).

Рисунок 7. Окно модуля RULE VIEWER.


Правило базы знаний представляется последовательностью горизонтально расположенных прямоугольников. Для вывода правила в формате Rule Editor необходимо щелкнуть по порядковому номеру правила. На рисунке первые два прямоугольника соответствуют посылкам правил, и последний заключению правила. Пустой прямоугольник означает, что переменная не участвует в правиле. Заливка функций принадлежности входных переменных указывает на степень принадлежности входной переменной нечетким термам. Заливка графика функции принадлежности выходной переменной – результат логического вывода по данному правилу. Результирующее нечеткое множество для выходной переменной показано на прямоугольнике внизу справа. Жирная линия указывает на значение выходной переменной после дефаззификации.

Значение входных переменных можно изменять либо вводя их значение в поле Input, либо перемещая линию на графиках.

  1.  SURFACE VIEWER

Выводит поверхность «входы – выход» нечеткой системы. Позволяет вывести зависимость выходной переменной от двух входных или одной. Вызывается из любого модуля, или командой surfview(Рисунок 8).

Можно вращать поверхность «входы-выход» с помощью мыши.

Меню Options. Команда Plot задает формат поверхности

Команда Color Map задает палитру цветов поверхности «входы-выход» default – по умолчанию, blue – холодная сине голубая, hot – теплая палитра из черного, красного, желтого и белого цветов. HSV – насыщенная палитра из желтого, зеленого, циана, голубого, маженты, и красного цветов.

Команда Always evaluate позволяет установить или отменить режим автоматического, т . е. без нажатия кнопки Evaluate перерисовывания поверхности «входы – выход» при любом изменении параметров нечеткой системы.

Меню координатных осей. Через него осям ставятся в соответствие выходы и входы нечеткой системы.

Поле ввода информации. В нем задается количество точек дискретизации для построения поверхности. По умолчанию их 15. В поле Ref. Input задается значения входов нечеткой системы, которые не показаны на графике.

Рисунок 8. Окно Модуля SURFACE VIEWER.

  1.  FINDCLUSTER

Этот модуль позволяет найти центры кластеров многомерных данных по алгоритму нечетких с – средний и горному алгоритму. Загружается по команде findcluster. Его окно содержит область визуализации, загрузки данных и кластеризации, а так же вывод текущей информации в котором появляются сообщения о состоянии модуля, номере итерации алгоритма кластеризации, значения целевой функции.

Область визуализации. В нем выводятся экспериментальные данные и центры кластеров. Для данных используется кружок, для центров кластеров черная точка.

Область загрузки данных расположена в правом верхнем углу окна. В ней находиться кнопка Load Data… по нажатию которой с диска загружаются данные из файла. Данные в файле должны быть записаны построчно, т.е. каждому обьекту соответствует своя строчка.

Область кластеризации. В ней пользователь выбирает алгоритм кластеризации, установить его параметры, провести кластеризацию, сохранить координаты центров кластеров в файл.

Меню Method позволяет выбрать один из двух алгоритмов fcm – нечетких с – средних, subtractiv – алгоритм субтрактивной кластеризации.

При субтрактивной кластеризации пользователь может установить параметры Influence Range – важность признаков, Squash – коэффициент подавления, Accept Ratio – Коэффициент принятия, Reject Ratio – коэффициент отторжения. При выборе алгоритма нечетких с – средних пользователь может установить следующие параметры Cluster Num – количество кластеров, Max Iteration – максимальное число итераций алгоритма, Min – минимально допустимое значение улучшения целевой функции за одну итерацию алгоритма, Exponent – значение экспоненциального веса. Кластеризация начинается по нажатию кнопки Start.

Рисунок 9. Окно модуля FINDCLUSTER


2.8 Функции пакета, запускаемые из рабочей области.

Все что можно сделать с использованием GUI-модулей можно сделать напрямую с помощью функций. Например для настройки системы ANFIS используется функция anfis.

Например

[fis, error] = anfis(traindata)

traindata – обучающая выборка в виде матрицы

fis – Название модели

error – ошибки на каждой итерации.

Функция defuzz – дефаззификация нечеткого множества.

C = defuzz(x,mf, method)

x-универсальное множество на котором задано нечеткое мн.

 mf – функция принадлежности

method – метод дефаззификации.

evalfis(input, fis) – осуществляет нечеткий вывод

fuzarith – нечеткий калькулятор, вычисляет арифметический действия над нечеткими числами

Кроме этого можно вызывать отдельно функции принадлежности.

Пользуясь этими функция можно делать и то что сделать из графических модулей нельзя, например для оптимизации моделей типа Мамдани лучше всего использовать возможности другого пакета Optimization Toolbox, а для этого лучше всего написать сценарий.


Нечеткая логика в программе Simulink.

Систему на нечеткой логике созданную в пакете Fuzzy Logic можно использовать в программе Simulink. Для этого используется набор блоков из раздела Fuzblock 

  1.  Fuzzy Logic Controller – нечеткий котроллер
  2.  Fuzzy Logic Controller with Ruleview – нечеткий контроллер с выводом окна RuleView во время моделирования.
  3.  Набор блоков реализующих функции принадлежности, операции И и ИЛИ и другое.

Чтобы использовать Fuzzy Logic Controller нужно создать систему на нечеткой логике и сохранить ее в рабочую область MATLAB, затем в программе Simulink дважды щелкнуть по Fuzzy Logic Controller и в появившемся окне ввести имя модели. Программа Simulink по этой модели построит систему из своих блоков с помощью FIS WIZARD. Но при этом существует ограничение: все реализуемые функции(функции принадлежности, дефаззификация и др) должны быть стандартными.

Рисунок 10. Нечеткая система созданная в Simulink .

Си-код системы нечеткого вывода.

В Fuzzy Logic toolbox включены два файла fismain.c и fis.c содержащие исходные коды автономной машины нечеткого вывода на языке Си. Эти фалы позволяют загружать .fis файлы, файлы исходных данных, и выполнить нечеткий вывод. Для этого эти файлы необходимо откомпилировать и получить исполняемую программу, которая запускается из командной строки с параметрами, содержащими fis файл, файл входных данных. Например

fismain fis_in mam21.fis > fis_out

в fis_out будут записаны результаты нечеткого вывода. В файле fis_in записаны входные данные в формате таблицы, каждая строчка которой соответствует одному входному вектору.

Такая программа не поддерживает функции определяемые пользователем, для того чтобы они были необходио внести изменения в файл fis.c.

Си-код содержит только одну функцию main() и ее код сложно использовать в других программах.

Пример. Нелинейное шумоподавление

В программе MATLAB есть несколько готовых примеров демонстрирующих использование нечетких систем. Один из них подавление шума. Он заключается в следующем. По каналу связи передается сигнал(Рисунок 11) на него накладывается шум n1(Рисунок 12), при прохождении по каналу связи этот шум меняется по сложному нелинейному закону, который предполагается неизвестным(Рисунок 13) и на выходе канала связи получается сигнал m(Рисунок 14) с наложенным на него шумом. Задача в том чтобы по известному сигналу на выходе и неискаженному шуму на входе, восстановить исходный сигнал. Для этого создается нечеткая система Сугено с двумя входами и двумя термами на каждый вход. На первый из них подают выборку из сигнала n1 а на другой сигнал m. Выборка из обоих сигналов берется с шагом 0,2 берется, всего 600 выборок из сигналов, но настройка заканчивается после 10 итерации. После настройки получают систему которая приблизительно имитирует канал связи и шум на выходе n2, тогда сигнал находится как m-n2.


Рисунок 11, Исходный сигнал

Рисунок 12. Шум на входе канала связи

Рисунок 13. Характеристика канала связи

Рисунок 14.Измеренный сигнал.

Рисунок 15. Исходный сигнал и сигнал полученный с помощью шумоподавления.


 

А также другие работы, которые могут Вас заинтересовать

18797. Модули УСО и удаленного ввода - вывода 68.12 KB
  Модули УСО и удаленного ввода вывода. Неотъемлемой частью любой АСУТП являются устройства связи с объектом УСО назначение которых заключается в сопряжении датчиков аппаратуры и исполнительных механизмов контролируемого объекта и/или технологического процесса с вы...
18798. Построение плат дискретного ввода – вывода 205.65 KB
  Построение плат дискретного ввода – вывода Платы дискретного вв‐выв ПДВВ предст. собой устрва преобразования двоичных сигналов логических уровней 1 и 0. Этим уровням соответствует напряжение на замкнутом или разомкнутом ключах. Величина напряжения может быть различн...
18799. Системы многоканального ввода – вывода аналоговых сигналов 189.68 KB
  Системы многоканального ввода – вывода аналоговых сигналов. На рис 11.2а показана система управления процессом сбора/распределения данных в котором каждому каналу соответствует отдельный ЦАП и АЦП. Альтернативная конфигурация показана на рис 11.2б в данной системе испо
18800. АЦП / ЦАП. Основные архитектуры, интерфейсы связи 270.15 KB
  АЦП / ЦАП. Основные архитектуры интерфейсы связи. ЦАП предназначен для преобразования числа представленного как правило в виде двоичного кода в напряжение или ток пропорциональные этому числу. Схемотехника аналоговых преобразователей весьма разнообразна. На рисунк...
18801. Устройство плат аналогового ввода - вывода 23.88 KB
  Устройство плат аналогового ввода вывода. Платы аналогового ввода‐вывода ПАВВ предназначены для обеспечения ввода аналоговых сигналов с датчиков в вычислительное устройство обработки и вывода аналоговых сигналовдля пропорционального управления исполнительными
18802. Назначение и особенности архитектур микроконтроллеров 76.74 KB
  Назначение и особенности архитектур микроконтроллеров Микроконтроллер МК ‐ это специализированный микропроцессор предназначенныйдля обработки внешних событий при решении задач управления техническими процессами. Обычно МК в реальном времени выполняют задачи с
18803. Назначение и особ-ти архитектур цифровых сигнальных процессоров 34.91 KB
  Назначение и особти архитектур цифровых сигнальных процессоров. Цифровой сигнальный процессор ЦСП – это специализированный процессор предназначенный для обработки в реальном масштабе времени сигналов непрерывного вида с использованием математического аппарата ц
18804. Однослойная нейронная сеть, решающая задачу распознавания 269 KB
  Изучение алгоритмов обучения нейронных сетей, получение практических навыков работы с простейшими нейронными сетями, для обучения которых используется алгоритм Хебба и алгоритм Розенблатта.
18805. Влияние помех на работоспособность МПУСУ и пути повышения помехоустойчивости 163.23 KB
  Влияние помех на работоспособность МПУСУ и пути повышения помехоустойчивости. На рисунке приведена условная схема МПУСУ с указанием трех вредных факторов. ЭМИ влияют на работоспособность входных каскадов измерительного контура и контура управления а также порта