وبلاگ

یک مجموعه قانون فازی با هشت قانون N=8 توسط دانش حسی-ذهنی طراحی شده است. ورودی­ ها، سه دسته حسگر مادون­قرمز ربات کپرا، که در بخش پیش به آن اشاره شد، می­باشند (S_L، S_F و S_R)؛ که تقریبا دید ۱۸۰ درجه از محیط اطراف به دست می­ دهند. برای کاهش تعداد قوانین تنها دو صفت زبانی برای ورودی ها در نظر گرفته شده است: نزدیک (Near یا N) و دور (Far یا F) که توابع عضویت آنها در شکل(۴-۳) نشان داده شده است. یکی دیگر از ورودی­ ها پارامتری به نام P می­باشد، که تعیین می­ کند کدامیک از موانع راست یا چپ نزدیکتر هستند. این امر، با مقایسه مقادیر حسگرهای راست و چپ به صورت زیر انجام می­پذیرد:

شکل(۴-۳): توابع عضویت فازی ورودی­

خروجی­ها سرعت ربات (  ) و زاویه چرخش (  ) می باشند. شکل(۴-۴) راستای محاسبه زاویه چرخش را در دستگاه کارتزین نشان می­دهد. سرعت هر قانون فازی S_i (۱≤i≤N) یک مقدار ثابت می­باشد که سه مقدار صفر zero(Z) و کم  و زیاد  را می­پذیرد.  و  ثابت­هایی کوچکتر از ۱
می باشند که  .  بیشترین سرعت در نظر گرفته شده برای ربات می­باشد. ثابت­های  و  با آزمایش سرعت ربات به دست می­آیند. زاویه چرخش (  ) با صفات زبانی مطابق جدول(۴-۱)توصیف می­ شود. محدوده این صفات متقارن هستند بدین معنی که  و  .

شکل(۴-۴): نمایش راستای محاسبه زاویه چرخش در دستگاه کارتزین

جدول(۴‑۱): محدوده صفات زبانی زاویه چرخش

قوانین فازی به صورت زیر هستند:

مدل فازی به کار گرفته شده مدل سوگنو یا تاکاگی سوگنو می­باشد [۵۰]. سرعت خطی توسط معادله(۴-۳) محاسبه می شود که در آن α_i درجه درستی قانون iام است و با بهره گرفتن از حاصلضرب درجه عضویت­های ورودی­ ها محاسبه میشود (معادله(۴-۴)).
(۴-۳)
(۴-۴)
برای هر قانون، شش (J=6)مقدار پیشنهادی زاویه چرخش (φ[i,j], 1≤ j≤J) وجود دارند. این شش زاویه چرخش در بازه‌های از پیش تعیین شده‌ای به صورت یکنواخت توزیع شده‌اند. این بازه‌ها با تقسیم حداکثر بازه­ی زاویه چرخش (با طول۳۶۰ درجه) به پنج قسمت مساوی به دست می ­آید (جدول(۴-۱)). به هریک از این گزینه­ های زاویه‌ی چرخش یک مقدار q منتسب می­باشد (q[i,j]). مقادیر گزینه­ های زاویه چرخش φ[i,j] از پیش تعیین می­شوند، درحالیکه تصمیم ­گیری در مورد انتخاب یکی از آنها به عنوان خروجی یک قانون، به صورت برخط و توسط یادگیری Q انجام می­ شود. برای به دست آوردن زاویه چرخش ربات، رویکرد یادگیری Q فازی به کار گرفته شده­ است (شکل(۴-۵)). Q یک ماتریس با ابعاد N  J می­باشد، که درایه‌های آن q[i,j] می­باشند و مقادیر اولیه این داریه‌ها صفر می‌باشند. از میان شش گزینه پیشنهادی برای خروجی زاویه چرخش هر قانون، گزینه‌ای که دارای بیشترین مقدار q می­باشد انتخاب می‌شود و در محاسبه زاویه چرخش نهایی ربات لحاظ می‌شود (معادلات (۴-۵) و (۴-۶)).
در لحظه t=0 حالت محیط x_t ((S_L,S_F,S_R)=FFF) مشاهده می­ شود.
برای هر قانون زاویه چرخش φ[i,j] با بیشترین مقدار q انتخاب می­ شود.
زاویه چرخش نهایی ϕ(x_t) و مقدار Q(x_t,ϕ(x_t)) محاسبه می­ شود.
زاویه چرخش محاسبه شده ϕ(x_t) اعمال می­ شود و حالت جدید x_t+1 مشاهده می­ شود.
سیگنال تشدیدی r_t دریافت می­ شود.
ارزش حالت جدید x_t+1 تخمین زده می­ شود .(V_xt+1)
مقادیر q[i,j] به­روز می­شوند.
t←t+1 و گام­های فوق تکرار می­شوند.

شکل(۴-۵): الگوریتم یادگیری Q فازی

(۴-۵)
(۴-۶)
حالت محیط x_t، در هر گام همان حالت­های فازی شده‌ی حسگرهای مادون­قرمز ربات می­باشند مانند (S_L,S_F,S_R)=FFN. در هر گام بیشترین مقادیر q که زاویه چرخش متناظر به آنها برای خروجی قوانین انتخاب شده ­اند با به­ کارگیری به ترتیب معادلات (۴-۷) و (۴-۸) و (۳-۲) و (۴-۹) به روز می شوند.
(۴-۷)
(۴-۸)