机电整合的定义

......
假設溫度感測器感測出環境溫度22 ℃且正以每 分鐘0.6℃上升中
規則二 : w2=0.15(冷)x0.15(不變) =0.0225 規則三 : w3=0.15(冷)x0.5(上升) =0.075 規則五 : w5=0.4(適中)x0.15(不變) =0.06 規則六 : w6=0.4(適中)x0.5(上升) =0.2 總輸出量 Y = w2×(+2)+w3×(0)+w5×(0)+ w6 ×(-2)
將已知的輸入x1 x2 x3 x4 …對應的輸出y1 y2 y3 y4….代 入三次多項式
求係數
a、1
a
、
2
a、3
a
、
4
、 、 、 、 、an1
輸入 : 1、 5 、8 、11 輸出 : 100 、200 、500 、800
以三次多項式來迴歸 y a1 x3 a2 x 2 a3 x a4
控制器 ：根據人類經驗對不同感覺做出反應。 解模糊 ：最後的實際輸出為所有反應規則之
總合。
Δ模糊化
感覺 感覺
1
0.9
0.8
0.7
適中
冷
0.6
熱
0Hale Waihona Puke Baidu5
0.4
0.3
0.2
0.1
0 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
Amplitude
0.5
0
0
0.5
1
1.5
2
2.5
Time (sec)
模糊邏輯迴路
設定點 模糊化
控制器
解模糊
致動器 (馬達)
過程
受控結果
感測器
模糊控制FUZZY CONTROL
以人類經驗來當判斷依據，不需要建立受控 系統的模型也無需使用任何控制法則。
模糊化 ：對相同的狀況，我們會有超過一種 以上的感覺。
溫度
1
0.9
0.8
不變
0.7 變冷
變熱
0.6
0.5
0.4
0.3
0.2
0.1
0 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
溫度變化
Δ控制器(經驗法則)
規則一:溫度是冷且變冷中，則開大瓦斯量(+5) 規則二:溫度是冷且不變中，則開瓦斯量(+2) 規則三:溫度是冷且變熱中，則瓦斯量不變(0) 規則四:溫度是適中且變冷中，則開瓦斯量(+2) 規則五:溫度是適中且不變中，則瓦斯量不變(0) 規則六:溫度是適中且變熱中，則減少瓦斯量變(-2) 規則七:溫度是熱且變冷中，則瓦斯量不變(0) 規則八:溫度是熱且不變中，則減少瓦斯量(-2) 規則九:溫度是熱且變熱中，則大減瓦斯量(-5)
輸入層 : 輸入外在環境的訊息 隱藏層 : 提供類神經網路表現處理單元間的交互作用 輸出層 : 處理單元以輸出訊息給外在環境
Δ類神經網路演算過程
建立輸入變數 : Xi 決策建立 : 經驗而得(經驗越多越精確) 隱藏層處理單元決定 : Hi 訓練學習 : 給初始連結加權值 Wij 與門限
a1 -1.0714 a2 25.7143 a3 - 96.0714 a4 171.4286
預測當輸入為9時 輸出為
y -1.0714 * (9) 3 25.7143 * (9) 2 -96.0714 * 9 171.4286 608.5714
1000
900
800
Amplitude
0.5
0
0
0.5
1
1.5
2
2.5
Time (sec)
D控制器
Amplitude
Step Response 1.6
1.4
1.2
加 入 D控 制 器 後
1
0.8
0.6
0.4
0.2
0
0
0.5
1
1.5
2
2.5
Time (sec)
1.5
要求位置1
I 控制器
Step Response
加入I 控制器後
模糊控制器(經驗法則)
Δ解模糊
相容度 = Wi Ai1 Ai2
Wi : 相容度
Ai1 : 狀況一的機率
Ai2 : 狀況二的機率
各別出力 = yi Wi Bi
yi : 出力
B1 : 輸出對應值
‧ 最後出力
yout

W1
y1 W2 y2 W3 y3 W1 W2 W3 ......
疾病種類、買賣決策等
Δ利用已知的輸入與輸出來建立模型
輸出為連續數值的變化:強度、溫度、濃度等
函數
輸出為代表的分類變數 : 故障原因、疾病種類、買賣決議等
分類器
Δ神經元模型
(輸出至腦) (加權)
(其他神經元輸出) (輸入)
輸出順序 : 由其他的神經元突觸軸索突觸 輸出強弱 : 由興奮突觸激發強
=-0.355 最後輸出量 Yout= Y /(w2+w3+w5+w6)= - 0.993
Δ何謂類神經網路
一種基於腦與神經系統研究所啟發的資料處理技術
依輸出變數之特性可分為兩大類
函數型 : 輸出為一連續值變數 如 溫度、強度、流量、座標、利率等 分類型 : 輸出為一組代表分類的變數 如 處方、替代方法、故障原因、
ΔPID控制器
P 控制器 : 比例放大誤差訊號 I 控制器 : 積分放大誤差訊號 D 控制器 : 微分放大誤差訊號 P 控制器 : 改善速度反應 I 控制器 : 改善穩態誤差 D 控制器 : 改善反應穩度
1.5
要求位置1
P控制器
Step Response
加 入 P控 制 器 後
抑制突觸激發弱 輸出 : 由所有突觸輸入值之加權乘積和
Δ模擬神經網路的數學式子
1. 傳統的線性迴歸
輸入 : x1 x2 x3 x4….. 輸出 : y1 y2 y3 y4…..
n次迴歸 :y a1 x n a2 x n1 a3 x n2 ...... an1
值 j 重複學習直到收斂:計算輸出與實際輸出的
差值最小
穩定液黏度決策
700
600
500
400
300
200
100
0
0
2
4
6
8
10
12
14
2. 神經網路資料分析
Y j f (Wij X i j )
1
Yj
1 e ( Wij*Xi i )
Y j 輸出 f 模仿仿神經元的模型之 線性處理函數 Wij 連結加權值結加權值模 之突觸強度 Xi 輸入變數 θ j 門限值限值模仿神經元的偏權值