|
Abstract
|
|
|---|---|
| En este trabajo, se propone un nuevo método para el modelado borroso de Takagi-Sugeno (T-S) basado en funciones de pertenencia multidimensionales (MDMFs). Se verifica que el método de inferencia borrosa de las funciones de pertenencia unidimensionales (1DMF) puede colocar las reglas borrosas en ubicaciones inadecuadas para el modelado de sistemas multivariables no lineales, mientras que la aplicación de MDMFs permite una mejor identificación mediante un número menor de reglas borrosas. El método propuesto utiliza un algoritmo genético (GA) para el ajuste de las MDMFs y el método de T-S para modelar e identificar el sistema no lineal. Como ejemplo de validación, se elige un sistema multivariable no lineal, un sistema de tanques acoplados. Los resultados muestran que el método propuesto presenta menor error de identificación que el método de T-S, con menor número de reglas borrosas. Este trabajo esta vinculado al proyecto de investigación: financiado por el Ministerio de Economía y Competitividad de España (Assisted Navigation through Natural Language (NAVEGASE) (DPI 2014-53525-C3-1-R). Mi aportación se centró en la formulación matemática del nuevo método. | |
|
International
|
Si |
|
JCR
|
Si |
|
Title
|
Applied Soft Computing Journal |
|
ISBN
|
1568-4946 |
|
Impact factor JCR
|
3,907 |
|
Impact info
|
- Cuartil: Q1 (mitad superior) Información de impacto Datos JCR del año 2017 Factor de impacto: 3,907 Categoria: COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE: 3,907: Q1: 17/132 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS: 3,907: Q1: 11/105 Número de citas WoS: Número de citas en Google Scholar: Número de citas scopus: 1 |
|
Volume
|
75 |
|
|
10.1016/j.asoc.2018.11.034 |
|
Journal number
|
|
|
From page
|
607 |
|
To page
|
615 |
|
Month
|
SIN MES |
|
Ranking
|
COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE: 3,907: Q1: 17/132 COMPUTER SCIENCE, INTERDISCIPLINARY APPLICATIONS: 3,907: Q1: 11/105 |