Проектирование робастных нечетких регуляторов в условиях неопределенности исходной информации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Тятюшкина, Ольга Юрьевна

• Тятюшкина, Ольга Юрьевна
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Тятюшкина, Ольга Юрьевна

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ РОБАСТНЫХ НЕЧЕТКИХ

РЕГУЛЯТОРОВ НА ОСНОВЕ МЯГКИХ ВЫЧИСЛЕНИЙ.

1.1. Интеллектуальное управление сложными динамическими системами на основе мягких вычислений.

1.2. Особенности технологии проектирования структур робастных ИСУ.

1.3. Поколения и эволюция типовых структур ИСУ.

Выводы по главе.

ГЛАВА 2. МЕТОД УЧЕТА ИНФОРМАЦИОННОЙ ОЦЕНКИ ПРИРАЩЕНИЯ РИСКА В ПРОДУКЦИОННЫХ ПРАВИЛАХ БЗ HP.

2.1. Информационные оценки для приращения среднего риска при изменении законов распределения вероятностей.

2.2. Оценки для приращения байесовского риска.

2.3. Информационные оценки устойчивости последовательного решающего правила при изменении законов распределений вероятностей.

2.4. Информационные оценки для риска в задачах обработки больших массивов информации.

2.5. Описание приращения информационного риска в терминах лингвистических переменных.

Выводы по главе.

ГЛАВА 3. МЕХАНИЗМ ПРОЕКТИРОВАНИЯ РОБАСТНЫХ НЕЧЕТКИХ РЕГУЛЯТОРОВ, СПОСОБНЫХ ФУНКЦИОНИРОВАТЬ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ ИСХОДНОЙ ИНФОРМАЦИИ.

3.1. Структура ОБЗ и шаги оптимизации БЗ.

3.2. Программный инструментарий моделирования баз знаний.

3.3. Пример применения ИТП ИСУ на мягких вычислениях с использованием инструментария ОБЗ.

3.3.1. Глобально неустойчивый объект управления: динамическая система « шарик - доска» (beam-ball system).

3.3.1.1. Исследование свободного движения ОУ.

3.3.1.2. Стохастическое моделирование движения ОУ.

3.3.2. Исследование классического ПИД управления в различных условиях.

3.3.3. Проектирование интеллектуального управления.

3.3.4. Исследование робастности построенных баз знаний и сравнение с ПИД управлением.

Выводы по главе.

ГЛАВА 4. ПРИМЕНЕНИЕ МЕХАНИЗМА ПРОЕКТИРОВАНИЯ НЕЧЕТКИХ РЕГУЛЯТОРОВ НА ОСНОВЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ РОБАСТНЫХ БЗ С УЧЕТОМ ОЦЕНКИ ПРИРАЩЕНИЯ ИНФОРМАЦИОННОГО РИСКА.

4.1. Этапы информационной технологии проектирования (ИТП) ИСУ.

4.1.1. Извлечение, обработка и формирование объективных знаний на основе технологий мягких вычислений и стохастического моделирования.

4.1.2. Аппроксимация обучающего сигнала с помощью ОБЗ.

4.1.2.1. ГА] алгоритм генерации лингвистических переменных при построении баз знаний нечетких систем.

4.1.2.2. ГА2 и ГАз алгоритмы для оптимизации БЗ.

4.2. Пример интеллектуального управления системой железнодорожного транспорта (ЖДТ) на основе мягких вычислений.

4.2.1. Особенности управления системой ЖДТ.

4.2.2. Интеллектуальное управление рисками и безопасность движения ЖДТ в условиях риска и нештатных ситуаций.

4.2.3. Иерархическая ИСУ ЖДТ принятия решения в нештатных ситуациях с учетом неопределенности исходной информации.

Выводы по главе.

Введение диссертации (часть автореферата) на тему «Проектирование робастных нечетких регуляторов в условиях неопределенности исходной информации»

Актуальность темы

К настоящему времени известно, что при исследовании процессов управления сложными и слабоструктурированными динамическими системами в условиях неопределенности применение методов, базирующихся на использовании точных математических моделей, не позволяет построить модели и алгоритмы, порождающие оптимальное управление. В последнее время, с увеличением сложности задач управления, все большее распространение получают технологии интеллектуального управления. Однако, они часто не могут в полной мере удовлетворить потребности в управлении сложными динамическими системами ввиду отсутствия методологии и инструментария учета человеческого фактора (недостаток информации, неосведомленность, непреднамеренные ошибки), а также при возникновении непредвиденных или нештатных ситуаций.

Одним из важнейших направлений в теории интеллектуального управления в течение последних десятилетий является поиск решения проблемы оптимального управления сложными динамическими объектами в условиях неопределенности и возникновения дефицита полезного ресурса. В качестве источников возникновения неопределенностей выступают дефицит информационных, энергетических, материальных и других видов ресурсов, непредсказуемость поведения внешней среды, непредвиденные изменения в структуре и поведении самой системы. В этих условиях является весьма проблематичным сформировать рациональное управляющее воздействие.

Поэтому, разработка новых методов анализа и синтеза алгоритмов, и, в более общем случае, систем управления сложными динамическими системами, функционирующими в условиях неопределенности исходной информации, на основе использования современных технологий мягких вычислений и информационных технологий проектирования систем управления представляют актуальную задачу.

Такие информационные технологии ориентированы на использование современных средств вычислительной техники и позволяют разработать программный инструментарий извлечения, формирования и обработки объективных (без участия экспертных оценок) баз знаний для непредвиденных или нештатных ситуаций.

Экспертные оценки человеческого фактора, результаты дополнительных экспериментальных измерений и ограничений могут быть учтены в случае необходимости, в продукционных правилах в процессе проектирования баз знаний. При этом обеспечивается необходимый уровень робастности интеллектуальных регуляторов нижнего исполнительного органа управления, позволяющий выполнить поставленную задачу с минимальным расходом полезного ресурса.

Цель исследования

Целью исследования является разработка методов алгоритмической и программной поддержки процесса проектирования робастных баз знаний нечетких регуляторов, функционирующих в условиях неопределенности исходной информации.

Задачи исследования

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследование современных подходов к проектированию робастных нечетких регуляторов, в том числе на основе мягких вычислений, и их сравнительный анализ.

2. Разработка метода извлечения, обработки и формирования продукционных правил робастных баз знаний с учетом неопределенности исходной информации.

3. Разработка алгоритма проектирования баз знаний для робастных нечетких регуляторов (НР), способных функционировать в условиях непредвиденных (нештатных) ситуаций и неопределенности исходной информации.

4. Проведение имитационного моделирования динамического поведения интеллектуальных систем управления (ИСУ) на основе робастных HP, функционирующих в условиях непредвиденных (нештатных) ситуаций управления и неопределенности исходной информации.

5. Практическое применение разработанных методов в проблемно-ориентированных областях, таких как интеллектуальное управление движением железнодорожного транспорта.

6. Оценить возможные уровни робастности проектируемых баз знаний на основе технологий мягких вычислений путем имитационного моделирования нелинейных моделей объектов управления.

Теоретическая и методологическая основа исследования

Для решения поставленных задач использованы принципы и методы системного анализа, теории автоматического управления, теории вероятностного анализа риска, теории статистических решений, теории информации, теории нечетких алгоритмов, теории нечетких нейронных сетей и теории нечеткой логики. Синтез алгоритмов осуществляется с использованием методов теории управления, искусственного интеллекта и теории сложности алгоритмов. Для разработки имитационных моделей применяются метод имитационного моделирования и методы проектирования информационно-управляющих систем.

С целью актуализации исследований выполнен анализ научно-методической литературы, научных статей и монографий. Базой для исследований послужили результаты работ, проведенных в области теории и систем интеллектуального управления многими исследователями. Среди них работы В.К. Абросимова, А.Н. Аверкина, В.И. Васильева, Ю.Г. Евтушенко, Ю.И. Журавлева, J1. Заде, Б.Г. Ильясова, П.С. Краснощекова, Б.Н. Петрова, И.М. Макарова, В.Ф. Мелехина, А.Н. Мелихова, К.В. Рудакова, А.П. Рыжова, А.Н.Райкова, В.Б.Тарасова, С.В.Ульянова, E.H. Черемисиной, Ю.А. Флерова, А. В. Язенина и др.

Объектом исследования являются робастные нечеткие регуляторы, функционирующие в условиях непредвиденных и нештатных ситуаций и неопределенности исходной информации.

Предметом исследования диссертационной работы являются методы и алгоритмы проектирования робастных баз знаний на основе мягких вычислений с учетом непредвиденных ситуаций и неопределенности исходной информации.

Научная новизна

Научная новизна работы состоит в следующем:

1. Разработан метод учета неопределенности исходной информации за счет включения в продукционные правила робастных баз знаний (БЗ) НР описания лингвистическими переменными меры изменения неопределенности в исходной информации (меры приращения информационного риска).

2. Предложен механизм проектирования робастных НР, включающий этапы проектирования робастных баз знаний НР на основе мягких вычислений с учетом оценки приращения информационного риска в продукционных правилах.

3. Разработана методика повышения уровня интеллектуальности исполнительных устройств систем управления, позволяющая достигнуть цели управления с минимальным расходом полезного ресурса при функционировании в условиях непредвиденных (нештатных) ситуаций и неопределенности исходной информации за счет применения робастных баз знаний НР.

Практическая значимость работы

Предложенный в диссертации механизм проектирования робастных нечетких регуляторов может использоваться при разработке ИСУ, функционирующих в условиях непредвиденных ситуаций и неопределенности исходной информации.

Апробация методики повышения уровня интеллектуальности исполнительных устройств систем управления показала эффективность её использования при проектировании робастных нечетких регуляторов различного уровня сложности.

Методические рекомендации и выводы диссертационного исследования успешно используются при обучении специалистов в области разработки и проектирования систем автоматического управления.

Проблемно-ориентированными областями применения разработанной методики проектирования являются интеллектуальная робототехника, интеллектуальная мехатроника, электромеханические исполнительные устройства автоматики и телемеханики, интеллектуальные системы сбора и обработки данных, информационно-управляющие системы защиты объектов управления (ОУ) с повышенными требованиями надежности.

Защищаемые положения диссертационной работы следуют из научной новизны и практической значимости и состоят в следующем:

1. Повышение надежности нечеткого регулятора возможно за счет формирования объективных баз знаний с соответствующим уровнем робастности и возможности учета в продукционных правилах оценки приращения информационных рисков.

2. Разработанный в диссертации механизм проектирования нечетких регуляторов на основе робастных БЗ, включающих в себя информационную оценку приращения риска, позволяет увеличить жизненный цикл работы ОУ и уменьшить расход полезного ресурса как в ОУ, так и в нечетком регуляторе.

3. Использование БЗ НР, в продукционных правилах которых учитывается информационная оценка приращения риска, при имитационном моделировании позволяет оценивать и прогнозировать достижение цели управления ОУ, функционирующего в условиях непредвиденных (нештатных) ситуаций управления и неопределенности исходной информации.

Апробация работы и публикации

Основные положения, представленные в диссертации, докладывались и обсуждались на следующих конференциях и семинарах:

• 1Х-ая Международная конференция «Применение нечетких систем и мягких вычислений» г. Прага, 2010.

• Международная научно-практическая конференция «Информационные технологии искусственного интеллекта в экономике — 2010» г. Дубна, 2010.

• Научные семинары кафедры Системного анализа и управления университета «Дубна», кафедры АСУ и ИТ МГУПИ, кафедры Математической теории интеллектуальных систем МГУ (2010 — 2011 гг.).

Практическое внедрение работы осуществлялось на этапе проектирования комплексной многоуровневой интеллектуальной системы управления движением на железнодорожном транспорте. Методические рекомендации и выводы диссертации использованы в учебном процессе кафедры Системного анализа и управления Института системного анализа и управления университета «Дубна» в курсах «Основы теории управления», «Теория управления», «Компьютерные технологии анализа динамических систем», «Интеллектуальные информационные технологии», «Проектирование робастных ИСУ» для специалистов и бакалавров по направлениям «Информатика и вычислительная техника», «Прикладная информатика», «Конструирование и технология электронных средств».

Публикации и личный вклад

Диссертация основана на теоретических, методических и экспериментальных исследованиях, выполненных автором в 2009 — 2011 гг.

Основные методические и технологические результаты получены непосредственно автором. По результатам выполненных исследований опубликовано 12 печатных работ, в том числе одна статья в журнале из перечня ВАК Министерства образования и науки РФ.

Автором обоснованы основные методические решения, обеспечивающие применение технологии проектирования робастных нечетких регуляторов с учетом оценки приращения информационного риска.

Непосредственно автором разработаны механизм извлечения, обработки и формирования продукционных правил робастных баз знаний с учетом оценки приращения информационного риска; инструментарий проектирования БЗ для задач интеллектуального управления и программная поддержка функционирования робастной базы знаний.

Структура работы

Работа состоит из введения, четырёх глав, заключения и списка литературы. Работа изложена на 153 страницах, включает 73 рисунка и 2 таблицы. Список литературы содержит 147 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Тятюшкина, Ольга Юрьевна

Основные результаты проведенных исследований, сводятся к следующему:

1. Разработан метод учета неопределенности исходной информации за счет включения в продукционные правила робастных баз знаний нечётких регуляторов описания лингвистическими переменными меры изменения неопределенности в исходной информации.

2. Разработан алгоритм проектирования баз знаний для робастных НР, способных функционировать в условиях непредвиденных (нештатных) ситуаций и неопределенности исходной информации.

3. Разработан механизм проектирования робастных нечётких регуляторов на основе стохастического моделирования и мягких вычислений, позволяющий повысить робастность проектируемых БЗ.

4. Разработана методика применения технологии проектирования робастных систем управления существенно-нелинейными объектами в условиях непредвиденных ситуаций и неопределенности исходной информации.

5. На тестовых примерах показана эффективность применения разработанной технологии и инструментария для проектирования робастного управления электромеханическими объектами управления и автономных движущихся объектов - скоростных поездов.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Тятюшкина, Ольга Юрьевна, 2011 год

1. Аверкин А. Н., Батыршин И. 3., Блишун А. Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. -М.: Наука, 1986.-311 с.

2. Алиев Р. А., Захарова Э. Г., Ульянов С. В. Нечеткие регуляторы и интеллектуальные промышленные системы управления // Итоги науки и техники. Сер. Техн. кибернетика. М.: ВИНИТИ АН СССР. 1991. Т. 32. Техническая кибернетика. - X» 5. - С. 233- 313.

3. Алиев P.A., Ульянов C.B. Нечеткие модели процессов и систем управления. Итоги Науки и Техники, Сер. Техническая кибернетика, 1990. Т. 29; 1991.-Т. 32.

4. Алиев Р. А., Церковный А. Э., Мамедова Г. А. Управление производством при нечеткой исходной информации. М.: Энергоатомиздат, 1991. - 234 с.

5. Батыршин И.З., Недосекин A.A., Стецко A.A., и др. Теория и практика нечетких гибридных систем. / Под ред. Н.Г. Ярушкиной. М.: Физматлит, 2007. -208 с.

6. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. // В кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. - С. 172-215.

7. Васильев В.И., Пантелеев C.B. Нейроуправление новый раздел теории управления сложными системами. // Нейрокомпьютеры: разработка и применение, 2005. № 5.- С. 33 -45.

8. Васильев С.Н. От классических задач управления к интеллектуальному управлению // Изв. РАН, Теория и Системы управления, 4.1 №1. 2001. - С. 5 -22, 4.2.-№2.2001.-С. 5-21.

9. Васильев С.Н., Жерлов А.К., Федосов Е.А. и др. Интеллектуальное138управление динамическими системами. М.: Физматлит, 2001. - 432 с.

10. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики: Учебное пособие. Уфа: УГАТУ, 1995. -80 с.

11. Габасов Р., Кирилова Ф.М., Песецкая Т.И. Реализация в реальном времени оптимальных обратных связей по выходу для линейных систем в условиях неопределенности. // Изв. РАН. Теория и системы управления, 2005. № 4. -С. 44 - 56.

12. Гаврилова Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова,

13. B. Ф. Хорошевский. Спб.: Питер, 2000. - 384 с.

14. Гаврилова Т.А. Состояние и перспективы разработки баз знаний интеллектуальных систем // Новости ИИ, 1996. № 1. - С 15 - 19.

15. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Издательство института математики, 1999. 270 с.

16. Гостев В. И. Проектирование нечетких регуляторов для систем автоматического управления. К.: Радиоаматор, 2008. - 972 с.

17. Деменков Н.П., Мочалов И.А. О полезности и границах применимости нечеткого управления // Промышленные АСУ и контроллеры, 1999. №3.1. C.21 -23.

18. Евтушенко Ю. Г. Методы решения экстремальных задач и их применение в системах оптимизации. М.: Наука, Гл. ред. физ. мат. лит., 1982. - 432 с.

19. Емельянов С. В. Теория систем с переменной структурой М.: Наука,1391970.-592 с.

20. Емельянов C.B. Новые типы обратной связи: управление при неопределенности М.: Наука, Физматлит, 1997. - 352 с.

21. Емельянов C.B., Коровин С.К., Никитин C.B. Глобальная управляемость и стабилизация нелинейных систем // Матем. Моделирование, 1989, 1:1, 51 90.

22. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений. / В кн.: Математика сегодня. М.: Знание, 1974. - С. 5 - 49.

23. Заде. JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. Пер. с англ. / Под ред. H.H. Моисеева, С.А. Орловского. / JI.A. Заде М.: Мир, 1976. - 165 с.

24. Заде JI.A. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных/интеллектуальных систем. -Новости Искусственного Интеллекта, 2001. N«2 - 3,-С.7-11.

25. Захаров В.Н., Ульянов C.B. Нечёткие промышленные системы управления и регуляторы. Ч. 1 4 // Изв. АН СССР. Техн. Кибернетика, 1992. - № 5; 1993. -№3, 4, 1994.-№5.

26. Захаров В. Н., Ульянов С. В. Принципы построения моделей интеллектуальных машин и когнитивных систем управления // Интеллектуальные системы обработки динамической информации. М.: ИФТП, 1993.

27. Искусственный интеллект. Модели и методы: Справочник / Под ред. Поспелова Д. А. М.: Радио и связь, 1990. Кн. 2. - 304 с.

28. Каипов В. X., Селюгин А. А., Дубровский С. А. Методы обработки данных в системах с нечеткой информацией. Фрунзе: Илим, 1988. - 187 с.

29. Караткевич С.Г., Литвинцева JI.B., Тятюшкина О.Ю., Григорьев П.Н.

30. Программный инструментарий проектирования баз знаний дляинтеллектуального управления // Программные продукты и системы, 2010. -№3.140-С. 32-35.

31. Караткевич С.Г., Добрынин В.Н., Окладникова Е.А., Ульянов C.B. Социально-экономическое и интеллектуальное управление в социотехнических системах. М.: ВНИИгеосистем, 2011. - 398 с.

32. Караткевич С.Г., Литвинцева Л.В., Ульянов C.B. Интеллектуальные системы управления. Ч. II. // Изв. РАН. Теория и системы управления, 2010. № 6.

33. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. М.: Радио и связь, 1982. - 432 с.

34. Красовский A.A. Справочник по теории автоматического управления. -М.: Наука, 1987.-256с.

35. Кураваки И., Литвинцева Л.В., Язенин A.B. и др. Построение робастных баз знаний нечётких регуляторов для интеллектуального управления существенно нелинейными динамическими системами. Ч. I // Изв. РАН. Теория и системы управления, 2004. № 4.

36. Куржанский А.Б. Управление и наблюдение в условиях неопределенности. М.: Наука, 1977. - 392 с.

37. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzy TECH.- СПб.: БХВ Петербург, 2005. 736 с.

38. Литвинцева Л.В., Ульянов C.B. Интеллектуальные системы управления. Ч. I. // Изв. РАН. Теория и системы управления, 2009. -№ 6. С. 69-97

39. В.М. Лохин, И.М. Макаров, C.B. Манько, М.П. Романов, Методические основы аналитического конструирования регуляторов нечеткого управления, Изв.РАН, Теория и системы управления, 2000. №1, С. 56 - 69.

40. Люггер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Издательский дом «Вильяме», 2003. - 864 с.

41. Макаров И.М. и др. Новое поколение интеллектуальных регуляторов // Приборы и системы управления, 1997. -№3.-С.2-6.

42. Макаров И. М., Лохин В. М., Манько С. В. и др. Искусственный интеллект и интеллектуальные системы управления. М.: Наука, 2006. - 333 с.

43. Малышев Н. Г., Берштейн Л. С., Боженюк А. В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. - 135 с.

44. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

45. Мелихов А. Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. 272 с.

46. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. - 744 с.

47. Моисеев H. Н. Численные методы в теории оптимальных систем. — М.: «Наука», 1971, —424 с.

48. Мишин A.A., Добрынин В.Н., Литвинцева JI.B. Технология мягких вычислений в проектировании интеллектуальных систем управления // Программные продукты и системы, 2010. № 1. С. 10 - 12.

49. Моисеев, H.H. Элементы теории оптимальных систем М.: Наука, 1975. -528 с.

50. Минзов A.C., Шевяхов М.Ю. Некоторые подходы к оценке информационного риска с использованием нечетких множеств // Системный анализ в науке и образовании: электронный научный журнал. 2011. №1. URL://www.sanse.ru (дата обращения 10.11.2011).

51. Нечеткие множества и теория возможности. Последние достижения / Под ред. Ягера Р. Р. М.: Радио и связь, 1986. - 408 с.

52. Нильсон Н. Принципы искусственного интеллекта / Н. Нильсон. М.: Радио и связь, 1985. - 376 с.

53. Основы теории автоматического регулирования / Под ред. В. И. Крутова. -М.: Наука, 1984.-368 с.

54. Панфилов С.А., Литвинцева Л.В., Ульянов С.С. и др. Программная поддержка процессов формирования, извлечения и проектирования баз знаний робастных интеллектуальных систем управления. // Программные продукты и системы, 2004. № 2. С. 3 - 6.

55. Панфилов С.А., Язенин A.B. Генетический алгоритм оптимизации структуры лингвистических переменных при построении баз знаний нечетких систем // Программные продукты и системы, 2004. №1. С. 2 - 6.

56. Пегат А. Нечеткое моделирование и управление. М.: Бином.143

57. Лаборатория знаний, 2009. 798 с.

58. Пелевин А.Е. Робастная стабилизация линейного объекта при неопределенных параметрах модели. // Изв. РАН. Теория и системы управления, 2003.-№ 1.С. 40-46.

59. Петров Б. Н., Рутковский В. Ю., Крутова И. Н., Земляков С. Д. Принципы построения и проектирования самонастраивающихся систем управления. М.: Машиностроение, 1972. 260 с.

60. Петров Б.Н., Гольденблат И.И., Ульянов C.B. и др. Теория моделей в процессах управления: Информационные и термодинамические аспекты. М.: Наука, 1978.-223 с.

61. Петров Б.Н., Уланов Г.М., Ульянов C.B. и др. Проблемы управления релятивистскими и квантовыми динамическими системами. М.: Наука, 1982. -523 с.

62. Попов Е. П. Автоматическое регулирование и управление / Е. П. Попов. М.: Наука, Гл. ред. физ. мат. лит., 1966. 388 с.

63. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздательство, 1981. 250 с.

64. Прикладные нечеткие системы / Под ред. Тэрано Т., Асаи К., Сугэно М. М.: Мир, 1993.-368 с.

65. Пупков К.А. Интеллектуальные системы: проблемы теории и практики. // Известия ВУЗов. Приборостроение, 1994. № 9 - 10, - С.З - 5.

66. Пупков К.А. О некоторых новых задачах теории и техники интеллектуальных систем // Интеллектуальные системы: Тезисы докладов третьего международного симпозиума. Иркутск (Россия). 1998. С.19 - 23.

67. Райков А.Н. Конвергентное управление и поддержка решений. — М.: Издательство ИКАР, 2009.

68. Рыбкин В.А., Язенин А.В. О сильной устойчивости в задачах возможностной оптимизации // Изв. РАН. Теория и системы управления. 2000. -№2.-С. 90-95.

69. Рыжов А.П. Элементы теории нечетких множеств и ее приложений. -Диалог-МГУ, 2003.-81 с.

70. Рыжов А.П. О качестве классификации объектов на основе нечетких правил. Интеллектуальные системы. Т. 9, вып. 1 -4, 2005. С. 253 - 264.

71. Системы автоматического управления объектами с переменными параметрами: Инженерные методы анализа и синтеза / Б. Н. Петров, Н. И. Соколов, А. В. Липатов и др. М.: Машиностроение, 1986. - 256 с.

72. Срагович В. Г. Адаптивное управление. М.: Наука, Гл. ред. физ. мат. лит., 1981.-384 с.

73. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления Текст. / Кн. 8: Учеб. пособие для вузов // Общая ред. А.И. Галушкина. М.: ИПРЖ, 2002. - 480 с.

74. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. М.: Мир, 1993.-368с.

75. Уланов Г.М., Ульянов С.В., Хазен Э.М. Информационные оценки для риска в задачах обработки больших массивов информации // ДАН СССР. 1973. -Т.210. № 2. - С. 291 -293.

76. Ульянов С. В. Нечеткие модели интеллектуальных промышленных системуправления: теоретические и прикладные аспекты // Изв. АН СССР. Техн.145кибернетика. 1991. № 3.

77. Ульянов C.B., Литвинцева Л.В., Добрынин В.Н., Мишин A.A. Интеллектуальное робастное управление: технологии мягких вычислений. М.: ВНИИгеосистем, 2011. - 408 с.

78. Ульянов B.C., Язенин A.B. Математическая модель интеллектуальной системы управления комплексным, глобально неустойчивым объектом на основе мягких вычислений // Изв. РАН. Теория и системы управления. 2001. -№3. С. 122- 137.

79. Ульянов С. В. Нечеткие модели логических регуляторов в интеллектуальных системах управления мобильными робототехническими комплексами // Обработка динамической информации в интеллектуальных системах. М.: ИФТП РАН, 1992.

80. Ульянов C.B., Литвинцева Л.В., Мишин A.A., Сорокин C.B., Фукуда Т., Тятюшкина О.Ю. «Парадокс» квантовой самоорганизации баз знаний и робастные интеллектуальные системы управления // Нечеткие системы и мягкие вычисления. 2011. Т. 5. - № 2. - С. 27 - 46.

81. Фельдбаум, А.А. Основы теории оптимальных автоматических систем Текст. / А.А. Фельдбаум. изд. 2-е, испр. и доп. М.: Наука, 1966. - 623 с.

82. Фрадков В. Н. Адаптивное управление динамическими объектами. М.: Наука, Гл. ред. физ. мат. лит., 1981. - 448 с.

83. Фрадков A. JI. Адаптивное управление в сложных системах. М: Наука, 1990.-292 с.

84. Цвиркун А. Д. Структура сложных систем. М.: Сов. Радио, 1975. - 200 с.

85. Хьюбер Дж. П. Робастность в статистике. М.: Мир, 1984. - 304 с.

86. Цыпкин Я. 3. Адаптивные методы выбора решений в условиях неопределенности. / Автоматика и телемеханика, 1976. № 4. - С. 78 - 91.

87. Averkin A. N., Prokopchina S.V. The short essay of the soft measurement concept. Sankt-Peterburg, Gydrometeoizdat, 1997. - 46 p.

88. Chih-Min Lin.,Yi-Jen Mon., Hybrid adaptive fuzzy controllers with application to robotic systems // Elsevier Science (Amsterdam, Netherland), 2003. Vol.139, №1. -P. 151 - 165.

89. Fuzzy guide book / «OMRON» Japan Cat. № P30-E1-28, printed in Japan 0694-5M. 120 p.

90. Fisher R. A. The Use of Multiple Measurements in Axonomic Problems, Annals of Eugenics 7. 1936.-P. 179- 188.

91. Gessing R. Two-level hierarchical control for stochastic optimal resours allocation Текст. / R. Gessing // «Int. J. Control», 1985. № 1. - P. 161-175.

92. Hagiwara T., Panfilov S.A., Ulyanov S.V., Takahashi K. and Diamante O. Application of smart control suspension system based on soft computing to a passenger car. Yamaha Motor Technical Review, 2003. № 35.

93. Hauser J., Sastry S., Kokotovic P. Nonlinear control via approximate input-output linearization: the ball and beam example // IEEE Transactions on Automatic Control, 1992. Vol. 37. № 3. - P. 392 - 398.

94. Hiroshi Ohtake, Kazuo Tanaka, Hua O.Wang. Fuzzy modeling via sector nonlinearity concept // IEEE Transactions on fuzzy systems, 2004. Vol. 9. №2. -P. 315 - 325.

95. Janos Abonyi, Lajos Nagy, Ferenc Szeifert. Adaptive fuzzy control to compensate process nonlinearities //Artificial Intelligence in Industry From Theory to Practice AIII'98 . High Tatras (Slovakia), 1998. - P. 11 - 20.

96. Jiang Y.H., McCorkell C. and Zmood R.B. Application of neural networks for real time control of a ball-beam system. Proc. Of IEEE International Conference on Neural Networks, 1995. Vol. 5. - P. 2397 - 2402.

97. Kaynak O., Zadeh L.A., Turksen B. Computational intelligence. N.Y.: Springer Verlag, 1998. - 538 p.

98. Litvintseva L.V., Ulyanov S.V. Artificial intelligence applied to design of intelligent systems (a Soft Computing approach) // Milano Univ. Publ., 2000. -Vol. 38.

99. Litvintseva L.V., Takahashi K., Ulyanov S.S. et all. Intelligent robust control design based on new types of computations. Note del Polo Ricerca, Universita degli Studi di Milano Publ., 2004. Vol. 60.

100. Mamdani E. H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller//Int. J. Man Mach. Studies., 1975. Vol. 7. - № 1. P. 1 - 13.

101. Mamdani E. H. Application of fuzzy set theory to control systems: A survey // Fuzzy Information and Decision Proc. / M. M. Gupta and E. Sanchez (Ed.), North-Holland Publ., 1982.

102. Narendra K. S. Stable adaptive schemes for system identification and control / K. S. Narendra, P. Kudva // IEEE Trans, 1974. Part I, II V. SMC - 4. - № 6. -P. 542-560.

103. Nozaka Y. Trend of new control theory application in industrial process control (A survey) / Y. Nozaka // Proc. Of 12th IFAC Word Congress, Sydney. Vol. VI, 1993.-P. 51-56.

104. Ortega, R. Nonlinear PI control of uncertain systems: an alternative to parameter adaptation / R. Ortega, A. Astolfi, N.E. Barabanov // Systems & Control Letters, 2002. Vol. 47. № 3. - P. 259 - 278.

105. Pagni A., Poluzzi R., Rizzotto G.Warp. Weight Associative Rule Processor. An Innovative Fuzzy Logic Controller // IIZUKA'92-2ND International Conference on Fuzzy Logic and Neural Networks. Tokyo (Japan), 1992. P.78 - 89.

106. Panfilov S.A., Ulyanov V.S., Litvintseva L.V., Ulyanov S.V. , Kurawaki I. Robust Fuzzy Control of Non-Linear Dynamic Systems Based on Soft Computing with Minimum of Entropy Production Rate // Proc. ICAFS 2000, Siegen, Germany, 2000.

107. Panfilov S.A., Litvintseva L.V., Ulyanov S.V. et all. Soft computing optimizer for intelligent control systems design: the structure and applications // J. Systemics, Cybernetics and Informatics (USA), 2003. -Vol. 1. № 5.

108. Passino K.M, Stephen Yurkovich. Fuzzy Control Boston (USA): Addison Wesley Longman, 1998. 522 p.

109. Petrov B.N., Ulanov G.M., Ulyanov S.V. and Khazen E.M. Information150semantic problems for control and organization, M.: Science Publ., 1977.

110. Petrov B.N., Goldenblat I.I., Ulanov G.M. and Ulyanov S.V. Model theory of control processes. M.: Science Publ., 1978.

111. Petrov B.N., Pugachev V.S., Ulyanov S.V. et all. Informational foundations of qualitative theory of control systems // Proc. 7th IF AC. Helsinki, Finland, 1978-Vol. 3.

112. Petrov B.N., Goldenblat I.I., Ulanov G.M. and Ulyanov S.V. Problems for control of quantum and relativistic dynamic systems, M.: Science Publ., 1982.

113. Ponce-Cruz P., Ramirez-Figueroa F.D. Intelligent control systems with Lab VIEW™. Berlin: Springer Verlag, 2010.

114. Raikov A.N. Convergent Cognitype for Speeding-Up the Strategic Conversation. Proceedings of the 17th World Congress The International Federation of Automatic Control (IFAC'2008), Seoul, Korea, July 6 11, 2008. - P. 8103 - 8108.

115. Rene J. J. Fuzzy logic in control: Ph. D. thesis / J. J. Rene. Delft University of Techology, The Netherlands, 1995.

116. Ryjov A.P. About a method of fuzzy object and situation optimal description in decision-making systems. International symposium on fuzzy approach to reasoning and decision-making. Abstracts. Technical university Liptovsky Nikolach, 1990. -P. 81-83.

117. Scott G.M., Shavlik J.W., Ray W.H. Refining PID controllers using neural nets // In: Advances in Neural Information Processing Systems / Eds. J.E Moody, S.J. Hanson, R.P. Lippmann San Mateo, CA: Morgan Kaufmann, 1992. P. 555 - 562.

118. Sugeno M., Kang G. T. Fuzzy modelling and control of multilayer incinerator // Fuzzy Sets and Systems, 1986.-Vol. 18. № 3; 1988.-Vol. 25. № 2.

119. Tao C.W., Taurb J.S., Wang C.M. Fuzzy hierarchical swing-up and sliding position controller for the inverted pendulum-cart system // Fuzzy Sets and Systems, 2008. V. 159. № 2. - P. 2763 - 2784.

120. The fuzzy logic standard IEC 1131-7. London (England), 1997. - 53 p.

121. Ulyanov S.V. Self-organized control system. US patent № 6,411,944 Bl, 1997.

122. Ulyanov S.V System and method for stochastic simulation of nonlinear dynamic systems with a high degree of freedom for soft computing applications // US patent № 2004/0039555 A1. 2004.

123. Ulyanov S.V., Ghisi F., Kurawaki I. and Litvintseva L. Simulation of quantum algorithms on classical computers. Universita degli Studi di Milano, Polo Didattico e di Ricerca di Crema Publ., Vol. 32, 1999.

124. Ulyanov S.V., Yamafuji K., Kurawaki I. et all. Computational intelligence for robust control algorithms of complex dynamic systems with minimum entropy production. Pt 1. // J. Advanced Computational Intelligence, 1999. Vol. 3, №2.

125. Ulyanov S.V., Sheng Z.Q. and Yamafuji K. «Fuzzy Intelligent control ofrobotic unicycle: A New benchmark in nonlinear mechanics», Intern. Conf. on Recent152

126. Advanced Mechatronics, Istanbul, Turkey, 1995. Vol. 2, - P. 704 - 770.

127. Wen-Shyong Yu. Chih-Jen Sun. Fuzzy model based Adaptive control for a class of nonlinear systems // IEEE transactions on fuzzy systems, 2001. Vol.9, №3,-P. 413-425.

128. Wen Yu, Floriberto Otriz. Stability analysis of PD regulation for ball and beam system. Proc. Of the 2005 IEEE Conference on Control Applications, Toronto, Canada, August 28 31, 2005, - P. 517-522.

129. Yazenin A.V. Fuzzy and stochastic programming // Fuzzy sets and systems, 1987. Vol.22, №1/2,-P. 171-180.

130. Yemelyanov S.V., Burovoi I.F., Levada F.Yu, Control of Indefinite Nonlinear dynamic systems. Induced internal feedback // Lecture Notes in Control and Information Sciences, 231, Springer, 1998. 196 p.

131. Wen Yu, Otriz F. Stability analysis of PD regulation for ball and beam system. // Proc. of the IEEE Conference on Control Applications, Toronto, Canada, August 28-31, 2005.-P. 517-522.

132. Zadeh L. A. Fuzzy Sets// Information and Control. 1965. Vol.8. P. 338 - 353.

133. Zadeh L. A. Knowledge representation in fuzzy logic//IEEE Trans, on Knowledge and Data Eng, 1989. V. 1. № 1. - P. 89 - 100.