SOME APPLICATION OF FUZZY : III DAN IV

Referensi :

1. Introduction to Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems (Chen G, Pham T)

2. Simulasi Pengendali P.I.D Fuzzy oleh Bambang Widodo (Jurnal)

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan

2. Alat dan Bahan

3. Dasar Teori

4. Video

5. Link Download

1. Tujuan [back]

a. Mahasiswa mampu memahami konsep dasar Fuzzy Kontrol Sistem

b. Mahasiswa mampu merancang Fuzzy Kontrol Sistem

2. Alat dan Bahan [back]

 
Alat yang dibutuhkan pada pembelajaran ini yaitu software MATLAB

3.Dasar Teori [back]

MATLAB

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi,  dan  pemrograman.  

Tampilan MATLAB:

III. FUZZY CONTROL FOR SERVO MECHANIC SYSTEMS

Sistem mekanik servo adalah mesin elektromekanis yang menggerakkan bagian mekanis untuk mencapai gerakan rotasi. 

Secara tradisional, sistem mekanik servo diperlakukan dengan kontrol linier sistem. Sistem mekanik servo dimodelkan sebagai sistem linier dan pengontrol yang sesuai dirancang berdasarkan model.

Sistem mekanik servo dapat direpresentasikan oleh sistem linier yaitu

 

A. Fuzzy Modeling of a Servo Mechanic System

Sebuah sistem dinamis dapat dimodelkan dengan seperangkat aturan logika fuzzy dalam bentuk dari pernyataan IF-THEN, di mana klausa IF bersyarat terdiri dari logika kondisi tentang nilai-nilai variabel keadaannya, dan konsekuensinya THEN-clause terdiri dari nilai-nilai status transisinya. Sistem mekanik servo dengan dua variabel keadaan, x1(t) mewakili perpindahan sudut θ(t) dan x2(t) mewakili kecepatan sudut θ(t) , dan satu input kontrol, u(t) mewakili torsi τ(t), dapat direpresentasikan dengan aturan logika fuzzy sebagai berikut:

Dimana

 

Himpunan fuzzy dengan  sembarang bilangan bilangan bulat ditulis dengan persamaan:

Dua aturan fuzzy di atas mewakili kelas sistem dinamis dengan keadaan variabel berperilaku dalam dua set batas atas dan bawah:

Pemilihan konstanta akan menentukan lebar antara bagian atas dan batas bawah, yaitu, fleksibilitas dalam deskripsi fuzzy yang akan mencakup kelas sistem yang lebih besar.

Model fuzzy dari Gear box adalah

B. Fuzzy Controller of a Servo Mechanic System

Dengan menggunakan system fuzzy dapat dibentuk system mekanik yang stabil. Untuk merancangnya, aturan fuzzy dalam pengaturan stabilitas ini dapat dirumuskan :

Aturan fuzzy ini menggambarkan sistem apa pun yang memiliki variabel status yang dibatasi dari atas dan bawah oleh

Dengan mempertimbangkan beberapa kondisi dimana nilai J selalu positif dan nilai matriks harus negatife definite, maka diperoleh persamaan :

Bagaian batas atas

Batas bawah

 C. Computer Simulations and Numerical Results

Contoh 7.4 : sebuah system dinamik yang mwakili system mekanik servo memiliki persamaan

Model fuzzy terhadap system ini

maka fuzzy controllernya sebagai berikut

Pada system close loop

Contoh 7.5 : Tujuan dari contoh ini adalah untuk menentukan apakah suatu fuzzy desain pengontrol berdasarkan model dengan parameternya yang diestimasi secara keliru masih fungsional. Sistem yang dinamis

Model fuzzy yang digunakan

Kontroller fuzzy

Contoh 7.6 : Tujuan dari contoh ini adalah untuk menentukan apakah suatu fuzzy desain pengontrol berdasarkan model dengan parameternya yang diestimasi secara keliru masih fungsional. Sistem yang dinamis.

Kontroler fuzzy

FUZZY PID CONTROLLERS FOR SERVO MECHANIC SYSTEMS

1.         Pengendali Proporsional Fuzzy

Berdasarkan pengendali proporsional analog sinyal keluarannya adalah

 

maka untuk pengendali proporsional Fuzzy sinyal keluarannya adalah:

Secara blok diagram dapat digambarkan sebagai berikut

2.      Pengendali Proporsional Integral Fuzzy

  Sinyal keluaran PI analog adalah:

Sinyal keluaran PI Fuzzy adalah:

 

Secara blok diagram dapat digambarkan sebagai berikut

 

3.      Pengendali Proporsional Derivatif Fuzzy

Sinyal keluaran PD analog:

 

 

Secara blok diagram dapat digambarkan sebagai berikut

 

4.      Pengendali PID Fuzzy

 

       Sinyal keluaran PID analog adalah:                  

 

 

 

Secara blok diagram dapat digambarkan sebagai berikut

 

         

4.Video [back]

5.Link Download [back]
Download HTML    : download
Download Video      : download

AUTOENCODER

Referensi : Pengenalan Konsep Pembelajaran Mesin dan Deep Learning (Jan Wira Gotama Putra)

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan

2. Alat dan Bahan

3. Dasar Teori

4. Percobaan

5. Video

6. Link Download

                1. Tujuan [back]
1. Memahami algoritma machine Autoencoder

2. Mampu menyelesaikan aplikasi dari Autoencoder

                2. Alat dan Bahan [back]
Alat yang digunakan pada pembelajaran ini adalah software Matlab

                3. Dasar Teori [back]

Matlab

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi,  dan  pemrograman.

AUTOENCODER

Autoencoder adalah model machine learning yang berfungsi untuk mereduksi dimensi data.Autoencoder memiliki dua fungsi utama, yaitu encode untuk mereduksi data menjadi kode, dan decode untuk merekonstruksi data dari kode.

1. Representation Learning

    Representation learning adalah mengubah suatu representasi menjadi bentuk representasi lain yang ekuvalen, tetapi berdimensi lebih rendah; sedemikian sehingga informasi yang terdapat pada representasi asli tidak hilang/terjaga. Ide dasar teknik ini bermula dari dekomposisi matriks pada aljabar linear.

2. Singular Value Decomposition

Pada machine learning, dekomposisi atau reduksi dimensi sangat penting dilakukan terutama ketika dataset berupa sparse matrix.

Matriks A adalah kumpulan eigenvector dan λ adalah sebuah diagonal matriks yang berisi ni-    lai eigenvalue.

U disebut left-singular vectors yang tersusun atas eigenvector dari XX^T . Sementara, W disebut right-singular vectors yang tersusun atas eigenvector dari X^T X.

3. Ide Dasar Autoencoder

Ide dasar autoencoder tidak jauh dari konsep dekomposisi/dimentionality reduction menggunakan singular value  decomposition.

 

y adalah output dari jaringan dan Z adalah dimensi output, N adalah banyaknya sampel dan x_i adalah data ke-i (feature vector ke-i).

 

Dimana f melambangkan fungsi aktivasi dan θ adalah ANN (kumpulan weight matrices).

Hubungan autoencoder dan singular value decomposition (analogi).

4. Resisting Perturbation

Resisting Perturbation adalah memaksa autoencoder untuk mempelajari sebuah fungsi yang tidak berubah terlalu jauh ketika input sedikit di rubah.sifat data, melainkan mampu “mengingat” training data saja (mapping table). Objektif denoising autoencoder diberikan pada persamaan di bawah ini yaitu kemampuan merekon- struksi kembali data tanpa noise.

Contoh gambar dari Resisting Perturbation

Autoencoder yang memiliki sifat resistance to perturbation, yaitu invarian terhadap sedikit perubahan

Yang mengilustrasikan invariant to slight changes dimana suatu elips melambangkan manifolds.

5. Representing Context: Word Embedding

Embedding adalah transformasi kata (beserta konteksnya) menjadi bentuk matematis (vektor).

5.1 Vector Space Mode

Pemodelan ini  digunakan sebuah matriks dimana baris melambangkan kata, kolom melambangkan dokumen.T iap sel pada matriks berisi nilai 1 atau 0. 1 apabila katai muncul di dokumeni dan 0 apabila tidak.

5.2 Sequential, Time Series dan Compositionality

Sequential data adalah sifat data dimana suatu kemunculan datai dipengaruhi oleh data sebelumnya.

Data yang memenuhi sifat compositionality berarti memiliki struktur hirarkis. Struktur hirarkis ini menggambarkan bagaimana unit-unit lebih kecil berinteraksi sebagai satu kesatuan. 

5.3 Distributed Word Representation

Word2vec merepresentasikan kata sebagai vektor, sehingga kita dapat melakukan operasi matematis terhadap kata. Encodernya berbentuk Continous bag of words (CBOW) atau Skip-gram. Pada CBOW, kata diprediksi jika  diberikan suatu “konteks”. Pada arsitektur ”Skip-gram” konteks diprediksi jika diberikan suatu kata.

5.4 Distributed Sentence Representation

Cara lainnya adalah meng-encode kalimat sebagai vektor menggunakan recursive autoencoder. Recursive berarti suatu bagian adalah komposisi dari bagian lainnya.

Pada setiap langkah recursive, hidden layer/coding layer berusaha men-decode atau merekonstruksi kembali vektor input.

                  4. Percobaan (Contoh) [back]

Kasus : pembacaan data tulisan tangan

Input :

Proses training :

Hasil :

                5. Video [back]

  

                  6. Link Download [back]

Download HTML : download

Dowload Matlab Code : download

Download Video : download