Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

76 Teknologi Informasi dan Kontrol 2021/1/50

Penerapan Fuzzy Pushdown Automaton pada Prediksi

ITC 1/50
Kontrol Kualitas untuk Benang Pemintalan
Teknologi Informasi
dan Kontrol
Diterima 2020/03/03 Diterima setelah revisi 2021/02/17
Jil. 50 / No. 1 / 2021
hal. 76-88
DOI 10.5755/j01.itc.50.1.25412 http://dx.doi.org/10.5755/j01.itc.50.1.25412

BAGAIMANA MENGUNTUNGKAN: Wu, Q., Wang, X., Wang, Y., Chen, Z., Chen, H., Sun, D., Han, Z. (2021). Penerapan Fuzzy Pushdown
Automaton pada Prediksi Quality Control Untuk Spinning Benang.Teknologi Informasi dan Kontrol, 50(1), 76-88. https://doi.org/10.5755/j01.
itc.50.1.25412

Penerapan Fuzzy Pushdown

Automaton pada Prediksi Quality
Control untuk Spinning Benang
QingE Wu, Xing Wang, Yonghua Wang, Zhiwu Chen
Sekolah Teknik Listrik dan Informasi, Universitas Industri Ringan Zhengzhou,
Zhengzhou, 450002, PR China; email: wqe969699@163.com

Hu Chen
Sekolah Teknik Listrik dan Informasi, Universitas Industri Ringan Zhengzhou,
Zhengzhou, 450002, PR China; email: wqe969699@163.com
Henan Qingyao Information Technology Co., Ltd., Zhengzhou, 450000, PR China

Dong Sun, Zhenyu Han

Pusat Pelatihan Teknik, Universitas Industri Ringan Zhengzhou, Zhengzhou, 450002, PR China

Penulis yang sesuai: wqe969699@163.com , wyh@zzuli.edu.cn , sundyfirst@126.com

Untuk melakukan pengenalan, pelacakan, dan kontrol yang lebih baik untuk hal-hal yang kabur dan tidak pasti, makalah ini
akan merancang metode kontrol fuzzy pushdown automaton (FPDA) yang sesuai untuk menyelesaikan masalah tersebut.
Pertama, struktur desain kontrol FPDA dan aturan penalaran keputusan dalam kontrol diberikan. Kedua, penerapan FPDA
dalam prediksi kontrol kualitas untuk benang pemintalan dibahas dalam masalah praktis. Akhirnya, perbandingan FPDA
dan metode kontrol lainnya pada kontrol target diberikan. Hasil simulasi menunjukkan bahwa kecepatan kontrol dan
presisi rata-rata FPDA yang dirancang lebih cepat 12 ms dan lebih tinggi 4,98% dibandingkan dengan metode tradisional,
yang presisi kontrolnya adalah 96,87%.
KATA KUNCI: Fuzzy pushdown automaton (FPDA), Aturan penalaran keputusan, Kontrol kualitas, Prediksi, Pemintalan
benang.
 Teknologi Informasi dan Kontrol
1. Perkenalan
Dalam pemantauan dan diagnosis kesalahan pesawat, ketika
pesawat gagal karena struktur komponen pesawat yang
berbeda, frekuensi kesalahan dari berbagai komponen yang
termasuk dalam sinyal getaran didistribusikan dalam rentang
frekuensi yang berbeda. Jika pesawat menyembunyikan cacat
awal yang lemah dari suatu komponen, informasi cacatnya
diliputi oleh sinyal getaran yang berjalan dan kebisingan acak
dari komponen lain. Jika akar penyebab kegagalan tidak dapat
ditemukan secara dini, maka akan menimbulkan kerugian
ekonomi yang tidak terkira. Sangat penting untuk dapat
memecahkan masalah lebih awal dan tepat waktu.
Sebelumnya, Blanco dkk. [3] membahas
representasi kesetaraan pengetahuan fuzzy
antara jaringan saraf, sistem fuzzy dan model
automata. Sharma dkk. [17] mempelajari konsep
homomorfisme, semigrup transformasi multiset
fuzzy dan penutup dari automata berhingga
multiset fuzzy, dan menetapkan sifat dasar
mereka untuk studi aljabar teori automata
multiset fuzzy. Dari sudut pandang kontrol, fuzzy
finite-state automata (FFA) dengan jaringan saraf
berulang [11] untuk sering meniru sistem dinamis
fuzzy sangat berguna. Gulistan dkk. [7] membahas
hubungan pada FFA antara cita-cita lunak kubik
umum dan fungsi karakteristik dan set tingkat
kubik, serta dua struktur kisi yang berbeda dalam
semigrup. Sebelumnya,
Berbagai automata fuzzy dapat menyelesaikan
masalah di atas, sehingga derivasi dari automata
yang berbeda sangat penting. Oleh karena itu,
banyak peneliti menggunakan jaringan saraf untuk
memberikan derivasi automata. Pan dkk. [15]
mengusulkan gagasan automata fuzzy
nondeterministik dengan nilai keanggotaan dalam
kisi residu lengkap L, yang disebut automata fuzzy
nondeterministik bernilai kisi (L-NFA). Sunita dan
Jiwari [6] menggeneralisasi dan memperluas konsep
penutupan transitif untuk konversi fuzzy automata
menjadi ekspresi reguler fuzzy. Untuk otomat fuzzy
M, di mana r adalah ekspresi reguler fuzzy yang
diperoleh dengan menggunakan pendekatan yang
diusulkan, L(M)=L(r). Li dan Wang [12]
memperkenalkan gagasan otomat fuzzy universal
dengan nilai keanggotaan dalam kisi residu lengkap,
2021/1/50 77
menggunakan derajat inklusi bahasa fuzzy terkait, dan
mendefinisikan homomorfisme dari automata fuzzy. Selain
itu, literatur ini memberikan metode untuk membangun
otomat fuzzy universal dengan otomat fuzzy deterministik
yang menerima bahasa fuzzy yang diberikan, yang efektif
dalam kasus otomat fuzzy deterministik ini terbatas.
Mendivil [8] berurusan dengan penerapan prosedur
minimisasi Brzozowski untuk fuzzy finite automata dengan
nilai-nilai kebenaran dalam kisi residu (bebas-pembagi nol)
lengkap. Meskipun jaringan saraf sangat berbeda dari
sistem fuzzy, bentuk fungsionalnya serupa [16]. Penalaran
fuzzy telah banyak digunakan dalam bidang sistem kendali
dan kecerdasan [10]. Menggunakan himpunan fuzzy dan
menggunakan interval tertutup untuk mewakili data yang
tidak pasti memiliki fungsi yang sama [4, 13]. Oleh karena
itu, pada awal tahun 1980-an, sekolah Polandia
mengusulkan metode analisis interval sebagai alat untuk
digunakan bersama-sama dengan metode himpunan fuzzy
[18]. Karena kombinasi metode himpunan fuzzy [21] dan
analisis interval memiliki efek yang lebih baik, konsep
himpunan fuzzy nilai interval diusulkan dan digunakan
untuk penalaran fuzzy [2].
Atas dasar hubungan fuzzy bernilai interval, Wei dan Li [19]
mempelajari dua bentuk penalaran yaitu penalaran fuzzy
bernilai interval sederhana dan penalaran fuzzy bernilai
multi interval, tetapi tidak mempertimbangkan kasus faktor
deterministik atau bobot dalam penalaran kabur. Teori
operator rata-rata tertimbang terurut yang diberikan oleh
Yager [20] adalah contoh yang baik untuk ide ini.
Pan dkk. [15] membangun otomat fuzzy
nondeterministik dengan nilai keanggotaan dalam kisi
residu lengkap. Feng dkk. [5] memberikan Metode EDAS
untuk Pengambilan Keputusan Multikriteria Fuzzy
Linguistik yang Diperpanjang. Adamatzky [1] membahas
interaksi antara eksitabilitas dan geometri dengan
menggunakan model jaringan saraf tiruan propagasi
balik yang memiliki akurasi prediksi lebih tinggi.
Karakteristik dari banyak hal yang objektif tidak pasti
dan ambigu [9]. Untuk lebih mengidentifikasi, melacak
dan mengontrol hal-hal objektif yang kabur dan tidak
pasti dalam metode simulasi mesin, makalah ini
mengusulkan metode fuzzy pushdown automata (FPDA)
untuk menangani masalah tersebut. Atas dasar teori
automata, struktur desain kontrol, aturan keputusan
dalam kontrol dan aturan inferensi diberikan untuk
FPDA. Kemudian penerapannya dibahas secara praktis
78 Teknologi Informasi dan Kontrol 2021/1/50

masalah. Melalui contoh nyata, metode kontrol dan atau memberikan informasi yang kualitatif, tidak akurat,
langkah-langkah untuk FPDA, serta pelacakan dan dan non-deterministik.
kontrol ke target dipahami. FPDA yang dirancang dalam makalah ini terdiri dari empat
modul: fuzzifikasi, pengambilan keputusan inferensial,
presisi, dan pita top-of-stack. Struktur kontrolnya
2. Desain FPDA ditunjukkan pada Gambar 1.

2.1. FPDA Pada saat pengambilan sampel T, kesalahan dan perubahan kesalahannya

didefinisikan sebagai berikut:

Definisi 1: FPDA adalah sebuah delapan-tupel
= (Q,Σ,Γ,δ , Q0 , Z0 , F, μ), di mana mewakili fi- ek = kamuR - kamuk . (1)
set pengontrol keadaan nite; Σ mewakili satu set karakter
input yang terbatas; Γ mewakili satu set terbatas karakter Δek = ek - ek -1. (2)
tumpukan push; Q ∈0Q mewakili keadaan asli;
0∈Γ mewakili karakter tumpukan asli; ∈Q mewakili satu (1) Fuzzifikasi
set fuzzy dari keadaan akhir; μ
merepresentasikan himpunan derajat keanggotaan dari Modul fuzzifikasi terutama melakukan tugas berikut.
fungsi transisi. Ini mengubah pengukuran input yang diwakili oleh
: Q×(-{ε})×Γ →Q×Γ* mewakili pemetaan pada subset yang digital menjadi nomor urut dari kode terbatas
terbatas, yaitu, (QSaya , sebuah, z, μ
) {( )}
= Q J ,α , apa sebelum tertentu yang biasanya dinyatakan dengan nilai
QSaya , Q J ∈Q; z,α , sebuah∈Σ, yang artinya : pada bahasa. Setiap kode terbatas mewakili subset fuzzy
keadaan saat ini QSaya dan tumpukan atas z, ketika dalam himpunan universal dan ditentukan oleh
karakter a dimasukkan, otomat tiba di keadaan J fungsi keanggotaannya.
dengan derajat keanggotaan tertentu μ , dan saat ini
Di sini, fungsi keanggotaan yang digunakan adalah fungsi
karakter stack top z digantikan oleh , yaitu, karakter
normal sebagai berikut:
stack top sekarang. Pada saat yang sama, penunjuk
bergerak ke kanan untuk satu kisi. T -T
( sebuah )2

2.2. Desain FPDA
Kontrol FPDA adalah model bebas untuk membangun algoritma
kontrol nonlinier dengan menggunakan logika fuzzy, terutama
dalam sistem, di mana teknik kuantitatif tradisional digunakan
untuk menganalisis proses yang terlalu kompleks.
F (T) = ae τ (3)
.
di mana sebuah dan τ semua mewakili koefisien bentuk;
Tsebuah mewakili titik pusat domain definisi.
Parameter ini dapat dihitung dengan histogram
dataset melalui algoritma kuadrat terkecil.

Gambar 1
Struktur sistem kontrol FPDA
 Teknologi Informasi dan Kontrol 2021/1/50 79

(2) Keputusan Penalaran (3) Akurasi

Penalaran fuzzy adalah proses berpikir yang mengarah pada
penilaian atau proposisi baru dari satu atau lebih penilaian atau
proposisi yang diketahui menurut prinsip-prinsip tertentu.
Secara umum, penalaran terdiri dari dua bagian penilaian.
Salah satunya adalah penilaian yang dikenal sebagai titik awal
penalaran dan itu disebut premis. Kedua adalah penilaian baru
yang diinduksi oleh proposisi dan disebut kesimpulan.
Menurut karakteristik pemrosesan sinyal fuzzy
FPDA, diberikan aturan inferensi berikut.
Premis: Jika SEBUAH dan B, kemudian . Kesimpulan: Jika
SEBUAHkan dan Bkan, kemudian kan=?. Langkah
Hasil penalaran melalui FPDA adalah himpunan fuzzy.
Dalam penggunaan yang sebenarnya, terutama pada
kontrol fuzzy, harus ada nilai tertentu untuk mengontrol
atau menggerakkan badan eksekutif. Proses yang akurat
didefinisikan oleh proses operasi yang mengambil nilai
akurat dalam himpunan fuzzy yang disimpulkan yang dapat
mewakili kemungkinan hasil inferensi FPDA ini. Banyak
pendekatan yang berbeda dapat diambil untuk mencapai
akurasi. Hasil yang diperoleh dengan metode yang berbeda
juga berbeda. Metode perhitungan presisi yang diberikan di
sini adalah metode keanggotaan maksimum.

inferensi diberikan sebagai berikut:

μC (kamu) = maksimal{μC (kamu)} , (6)
Langkah 1: Penyelesaian pertama D = SEBUAH× B, menganggap Dxy = μSEBUAH ( x)
kamu∈kamu

∧ μ μB ( kamu), maka matriks D dapat diperoleh sebagai berikut:

di mana C mewakili himpunan kabur; μC (kamu) = maksimal{μC (kamu)}
kamu∈kamu

D12 -
mewakili derajat keanggotaan maksimum untuk semua
- D11 D1n -
-D - objek yang dibahas.

D = - 21 D22 - D2n - .
(4) (4) Stack Top Band FPDA
-- - --
- - Kontrol fuzzy push-down automata dengan modul stack top
-DM1 DM2 - DM N - band memiliki dua keuntungan besar. Pertama, ketika
berhasil memproses sinyal, ia dapat membuat tanda di
Langkah 2: Membiarkan D ditulis sebagai vektor kolom DT , yaitu,
bagian atas tumpukan, sehingga kita dapat dengan jelas
mengetahui berapa banyak sinyal yang berhasil ditangani.
,
DT = [D11 , D12 ,-, D1n , D21 ,-DM N ]
T
(5) olehnya dan berapa lama pemrosesan sinyal. Kedua, selama
pemrosesan sinyal, ketika berhenti bekerja, ia dapat secara
langkah 3: Memecahkan matriks hubungan R , yaitu, = DT ×C. otomatis menyimpan node yang diproses, dan kemudian dapat
langkah 4: Dkan dapat diperoleh dengan SEBUAHkan dan Bkan , yaitu, D= melanjutkan pemrosesan dari node terakhir yang terputus di
SEBUAH× Bkan . waktu berikutnya, alih-alih memulai dari yang asli. Ini tidak
hanya menghemat banyak waktu dan ruang untuk memproses
langkah 5: Menurut langkah 2. Konversi Dkan ke vektor baris
sinyal, tetapi juga menghemat banyak energi.
T kan.

FPDA berhasil memproses sinyal fuzzy dalam dua bentuk. Yang

langkah 6: Akhirnya, keluaran inferensi fuzzy Ckan
dilakukan dalam keadaan akhir. Yang lainnya dilakukan dalam
diperoleh, yaitu C= DT - R, di mana - adalah operasi
status tumpukan kosong.
sintesis.

-( μ '.* ( ,, -
L (FPDA =) - ω, μ ) ω∈Σ* , μ = μα ', Q(0 ,ω, z0 →) q ),∃Q∈ F ∀α - . , *
(7)
- -

-( μ '.* (Q,ε ,ε ),∀Q∈Q- . -

L (FPDA =) - ω, μ ) ω∈Σ* , μ = μQ', Q0(,ω, z0 ) → (8)
- -
80 Teknologi Informasi dan Kontrol
Jika sinyal kabur L berhasil diproses oleh fuzzy
pushdown automaton, syarat perlu dan cukup
adalah terdapat FPDA, sehingga L=L(F-PDA).
(5) Metode Pemrosesan FPDA menjadi Sinyal Fuzzy
Sinyal fuzzy dapat diproses atau diidentifikasi oleh FDFA,
yaitu, ini mengacu pada bagaimana ia mengenali atau
menangani bahasa fuzzynya.
Teorema 1. Bahasa fuzzy dapat dikenali oleh
FPDA, maka syarat perlu dan cukupnya adalah
bahasa fuzzy harus bertipe 2, yaitu bahasa fuzzy
bebas konteks.
Teorema ini juga diperkenalkan sebagai berikut:
Untuk bahasa yang kabur L, dua kondisi berikut
ekuivalen.
(Saya) L dikenali oleh FPDA.
(ii) L adalah tipe 2, yaitu, bahasa fuzzy bebas konteks.
Bukti: (Saya) ⇒(ii) Pertimbangkan pernyataan bahwa (i)
menyiratkan (ii). Setiap bahasa fuzzy tipe-2 dihasilkan oleh
tata bahasa fuzzyG = (n,T , S, P,V ) .
Alfabet non-terminal n dari tata bahasa fuzzy analitik
tipe-2 terdiri dari kumpulan status hingga yang
sesuai Q . Alfabet terminal T dari tata bahasa fuzzy
analitik tipe-2 terdiri dari satu set terbatas yang
sesuai dari alfabet input Σ dan alfabet tumpukan
pushdown Γ dari FPDA. Keadaan awalQ0 FPDA cocok
untuk alfabet awal S dari tata bahasa fuzzy tipe-2.
Derajat fuzzy himpunan keanggotaanV tata bahasa
fuzzy tipe-2 sama dengan FPDA. Himpunan fuzzy dari
status akhir dan huruf tumpukan awal FPDA cocok
untuk beberapa bagian alfabet non-terminal dan
alfabet terminal dari tata bahasa fuzzy tipe-2, alfabet
non-terminal dan alfabet terminal ini menyimpulkan
dalam rumus generasi yang akhirnya menghasilkan
bahasa fuzzy. Rumus generasi fuzzy ditetapkanQSaya -
μ- → Q Jsebuah dari tipe-2
tata bahasa fuzzy analitik dalam P yang mengenali
setiap bahasa fuzzy (7) atau (8) terdiri dari transisi fuzzy
) FPDA, dan penambahan-
δ (QSaya ,sebuah,z,μ) = {(QJ ,α }
al set rumus generasi S --μ- -→ ε dari jenis-
2 tata bahasa kabur di P terdiri dari transisi fuzzy δ (S,ε ,
z, μ) ={(S,α )} dari FPDA, dimana QSaya ,QJ ∈ Q ;
= Q0, Z, α ∈ Γ , ∈Σ , μ ∈V .
Menganggap (ω, μ)∈ L(FPDA). Bahasa yang kabur(ω, μ)
diakui oleh FPDA sama dengan penyatuan semua
2021/1/50
bahasa fuzzy dalam bentuk (7) atau (8). Transisi*
fuzzy dari FPDA adalahδ (Q ,ω, 0z , μα *0 ) ={(Q,α)}
dalam keadaan akhir atau δ (Q0 ,ω, z0 , μQ )={(Q,ε )} di
tumpukan kosong untuk
mengenali bahasa
(ω, μ),
dan kemudian rumus generasi yang sesuai dari G
adalah0Q -Z-0 α- μα- → q atau Q0-Z- 0 ε-, μ Q.*-→q , di mana
, .*
=∨μα atau μ =∨μQ , ∀μα , μQ ∈V ; Q0 = S ; ω* R Hai
α Q
∈T *; ∃Q∈ F atau ∀Q∈Q ; ∀α * . Jadi, ada
ω,μ) ∈ L(G ). Dengan demikian, kami menyimpulkan bahwaL (FPDA)
adalah tipe-2.
(ii) ⇒(i) Untuk menunjukkan bahwa (ii) menyiratkan (i), kami
menganggap bahasa fuzzy L dikenali oleh tata bahasa fuzzy
analitik tipe-2. G = (n,T , S, P,V ) .
Sekarang, kita buktikan persamaan persamaan berikut.
(FPDA) = L(G). (9)
Alfabet masukan Σ dan alfabet tumpukan pushdown
Γ dari FPDA terdiri dari alfabet terminal T dari G.
Himpunan negara bagianQ FPDA terdiri dari alfabet
non-terminal n dari G. Keadaan awalQ0 adalah abjad
awal S tata bahasa fuzzy tipe-2. Surat tumpukan awal
Z0 adalah salah satu abjad terminal dari G. Set status
terakhirF dari FPDA terdiri dari beberapa himpunan
bagian dari n, yang berisi huruf S. Derajat fuzzy
himpunan keanggotaanV FPDA sama dengan tata
bahasa fuzzy tipe-2. Akhirnya, fungsi transisiδ FPDA
didefinisikan sebagai berikut:
Untuk setiap pasangan ( P, sebuah) , ada transisi
(Q,sebuah,z,μ) = {(P,α)}, di mana P,Q ∈ Q , Z∈ Γ , α ∈ Γ *,
sebuah∈Σ , μ ∈V . Kami sekarang membuktikan bahwa (9) berlaku
benar.
Menganggap (ω, μ)∈ L(G), di mana ω = sebuah1sebuah -sebuah dan untuk
2 n
setiap sebuahSaya ∈ T . Berdasarkan G, maka ada turunan-
dari:
μ1 μ2 μ.∗ μn
,
S ⇒ SEBUAH1 ⇒sebuah1SEBUAH2 ⇒sebuah1sebuah2-sebuahn1SEBUAHn ⇒sebuah1sebuah2-sebuahn
(10)
μ = (μ1 ∧ μ2 ∧ μ ∧ μn ),
*
S⇒ω
di mana SEBUAHSaya ∈(n -T )* (Saya =1, 2,-, n) .
Dengan fungsi transisi di atas δ dari FPDA yang ditetapkan,
yaitu:
 Teknologi Informasi dan Kontrol 2021/1/50 81

δ (Q0 ,ω, Z0 , μ) = δ (Q0 , sebuah1sebuah2-sebuahn , Z0 , μ) = δ2 (δ1 (Q0 , sebuah1, Z0 , μ1 ), sebuah2-sebuahn , μ2 ) = ,

*
δ3 (δ2 (Q1, sebuah2 , Z1, μ2 ), sebuah (
3 -sebuahn , μ3 )=δ δnn1(Qn2 , sebuahn1, Zn2 , μ), sebuahn , μ ) =, n

n (δn1( Qn2 , sebuahn1, Zn2 , μ), sebuahn , μn )= , (11)

δn (Qn1, sebuahn , Zn1, μn ) ={(Qn , Zn )} ,

μ= ∨ (μ ∧ μ ∧ μ ∧ μ ) ,
1 2 n
*
δ (Q0 ,ω,Z0 ,•)={(Qn ,Zn )}

di mana • menunjukkan derajat keanggotaan, Z adalah alfabet

n x - xmin ,
teratas tumpukan FPDA dalam keadaan akhir atau dalam xSaya
= (12)
tumpukan kosong, Qn mengandung S dan merupakan keadaan xmaksimal - xmin
(
akhir. Sejak transisi fuzzyδ QSaya ,sebuah,Z Saya ,μ ) = {(Q ,α)}
J
di mana xSaya mewakili data yang dinormalisasi; x mewakili
FPDA sama kuatnya dengan produksi fuzzy
data yang belum diproses; xmin mewakili nilai minimum
QSaya
-Z- Saya
-→aq
α ,μ
J dari tipe-2 analitik fuzzy gram-
data yang belum diproses; danxmaksimal mewakili nilai
mar, ada (ω, μ)∈ L(FPDA) .
maksimum dari data yang belum diproses.
Di sisi lain, turunan dari bentuk (10) dapat disimpulkan
dari (11). Akibatnya, (9) berlaku dan kami telah 3.2. Pembentukan Model
menunjukkan bahwa (ii) menyiratkan (i). QED
Hubungan pemetaan terbentuk R dari kamu ke V dapat
ditentukan dengan mengubah dari vektor input ke vektor
output, di mana, kamu = {kamu1,kamu ,...,kamun} Saya

2
masukannya,
3. Proses Kontrol Prediksi oleh FPDA dan V = {v1, v2 ,..., vM} adalah keluaran. Matriks pemetaanR
adalah dari kamu ke V dapat ditentukan seperti
yang ditunjukkan pada rumus (13).
untuk Kualitas Benang Pemintalan
Di lapisan pemrosesan tengah FPDA, terdapat indikator
keluaran seperti keperkasaan, serat kusut, kerataan kamu -V = R, (13)
benang, hairiness dan kekuatan tunggal. Pengolahan data
di mana - mewakili operator sintesis,
dilakukan terlebih dahulu untuk menghilangkan data yang
kamu (Saya =1, 2,..., n) merepresentasikan nilai dari setiap input pa-
tidak memenuhi persyaratan produksi. Menurut prinsip Saya
pengukur, dan v J ( J =1, 2,..., M) mewakili keluaran.
statistik matematika, 70 kelompok dipilih sebagai sampel
pelatihan dan 10 kelompok digunakan sebagai data 3.3. Evaluasi Model
prediksi. Kemudian membangun dan mengevaluasi model
prediksi apakah layak dan optimal atau tidak. Jika data yang
Menganggap kamu = {kamu1,kamu ,...,kamun} H
2
n
sebagai faktor yang mempengaruhi

dan V = {v1, v2 ,..., vM} memiliki M e nilai hasil uasi. Untuk

diprediksi tidak dapat memenuhi kebutuhan produksi,
kamu R(kamu) . Itu
, penilaian dapat dilakukan secara terpisah metode
maka model perlu diperbaiki. Model kontrol prediksi yang Saya Saya

penilaiannya adalah sebagai berikut: model hubungan R dapat

dibangun oleh FPDA dibahas sebagai berikut:
diperoleh dari kamu ke V untuk kamuSaya . Pemetaan di atas
3.1. Normalisasi Data merupakan model evaluatif.

Pada lapisan normalisasi FPDA, pemrosesan data adalah Matriks model evaluasi adalah: penilaian faktor
langkah pertama untuk menghapus data yang tidak tunggal ditetapkan oleh mod-
memenuhi persyaratan produksi. Normalisasikan data keseluruhan R = (Raku Saya
el untuk
sintesis
setiap faktor j ) dapat diperoleh dengan
kamu . Matriks evaluasi
antara interval [0, 1] untuk menghilangkan efek dari unit n×M
indikator asli. Model normalisasi diberikan sebagai antara beberapa faktor tunggal melalui transisi keadaan
berikut: FPDA. Kemudian, model rata-rata tertimbang
82 Teknologi Informasi dan Kontrol 2021/1/50

BJ = Σ(sebuahSaya -Raku j )(1≤ Saya ≤ n, J =1, 2,..., M) Bisa didapatkan,

Kemudian

di mana sebuahSaya adalah beratnya. Model ini dapat menyeimbangkan semua faktor

tor. MenganggapCaku j (Saya =1, 2,..., n; J =1, 2,..., M) -ω x x - x - - rr -R -

menunjukkan nilai keanggotaan dari
kamuth - 11 11 12 12 1n 1n - - 11 12 1M -
indikator keluaran -ω x x - x - - rr -R -
dan xth faktor input, maka faktor Raku j di R dapat - 21 21 22 22 2n 2n -Hai- 21 22 2M - =
diperoleh dengan rumus berikut. - - - - ----- -
--ω x x - x -- -- rr -R --
Caku j - Saya1 Saya1 Saya2 Saya2 di dalam - - n1 n2 nm -
,
Raku j = 5
(14) kamu -
ΣC - kamu
- 11 12 1M -
- kamu
aku j
J=1 kamu - kamu -
- 21 22
- kamu
2M - ,
Metode penentuan bobot dapat juga menggunakan -- -- -
metode statistik frekuensi untuk menentukan bobot -- kamu
kamu - kamu --
masing-masing faktor, yang diberikan sebagai berikut: - Saya1 Saya 2 Aku- (18)
sebuah Untuk setiap faktor , bobotnya sebuahaku j diberikan oleh k mantan-
J di mana, xSaya1 , xSaya 2 ,..., xdi mewakili n-Vector dimensi-
fasilitas nilai maksimumM dan J nilai minimum M tor yang mewakili nilai Micronaire untuk kapas asli, serat
bobot dihitung
J sebagai berikut: kusut kapas asli, tingkat pengotor kapas mentah dan
rumus, masing-masing.
kekuatan kapas asli, dll. kamuSaya1 , kamuSaya 2 ,..., kamuSaya
M mewakili M-dimensi vektor, yang mewakili faktor
. (15)
keluaran dari keperkasaan, serat kusut, tingkat
kehalusan benang, kehalusan bulu dan kekuatan
. (16) tunggal, dll. Matriks hubungan R adalah yang ditetapkan
oleh matriks hubungan input-output. Selain itu,R
B Bilangan bulat positif yang sesuai P dipilih, dan
mewakili elemen-elemen dalam matriks. ωaku j mewakili
beratnya sebuah sesuai dengan faktor kamu
aku j J bobot, dan ωaku j bertemu dengan rumus berikut:
dibagi menjadi P kelompok dari kecil sampai
besar. Jarak grupS dihitung dengan rumus berikut: ωSaya1 +ωSaya 2 + ...+ωdi = 1. (19)

M J - MJ . Dapat diketahui dari rumus (19) bahwa matriks

S= (17)
P pemetaan terkoreksi R dicapai dengan mengoreksi
bobot. Selain itu, rumus di atas (19) dapat diselesaikan
C Menghitung frekuensi bobot yang termasuk dalam masing- dengan menggunakan rumus iteratif berikut.
masing kelompok.

D Mengambil nilai (atau nilai yang berdekatan) dalam n= ωn1 + μ (ωn -ωn1 ), (20)
grup, di mana frekuensi maksimum terletak sebagai
bobot faktor kamu. di mana,
n
mewakili berat saat ini; n1 reputasi-

membenci bobot yang dihitung dari perhitungan

3.4. Kalibrasi Model sebelumnya; ω adalah bobot awal dan perlu untuk
0

(1) Koreksi matriks pemetaan mendapatkan beberapa nilai empiris berdasarkan pelatihan
sampel; mewakili kecepatan belajar. hubungan pemetaanR
Mendapatkan hubungan model R dari kamu ke V , dan
secara bertahap disesuaikan dengan pembelajaran FPDA
asumsi
melalui sejumlah iterasi yang terbatas.

- R11 R12 ,..., R1M - 3.5. Eksperimen dan Analisis Hasil

- -
R ,..., R1M - .
R = - R21 22 Gambar 2-Gambar 6 menunjukkan nilai aktual dan nilai
---- -- prediksi yaitu kekuatan, hairiness, neps, kekuatan tunggal,
-- -- dan kerataan benang. Seperti yang ditunjukkan pada
- Rn1Rn2 , . . . , Rnm -
Gambar 2, kesalahan antara nilai aktual dan nilai prediksi
 Teknologi Informasi dan Kontrol 2021/1/50 83

Gambar 2
Perbandingan antara nilai aktual dan nilai prediksi pada kekuatan

Perbandingan nilai aktual dan prediksi pada kekuatan

0.2
Nilai sesungguhnya

0.18 Nilai prediksi

0.16

0.14

0.12

0.1
NilaiNilai

0,08

0,06

0,04

0,02

0
0 2 4 6 8 10 12
Nomor sampel

Gambar 3
Perbandingan antara nilai aktual dan prediksi pada hairiness

Perbandingan nilai aktual dan prediksi pada hairiness

3

2.5

2
Nilai Nilai

1.5

0,5 Nilai sesungguhnya

Nilai prediksi

0
1 2 3 4 5 6 7 8 9 10
Nomor sampel

ue untuk kekuatannya kecil, dan tren seperti yang ditunjukkan pada Gambar 3. Seperti yang ditunjukkan
perubahannya sama. Karena nilai hairiness kecil, pada Gambar 4, nilai prediksi serat kusut konsisten dengan tren nilai
besaran perubahannya tidak terlalu besar, dan sebenarnya, bahkan jika variasi sebenarnya terkadang besar. Seperti
nilai aktualnya mendekati trend dari nilai prediksi, yang ditunjukkan pada Gambar 5, meskipun diprediksi
84 Teknologi Informasi dan Kontrol 2021/1/50

Gambar 4
Perbandingan antara nilai aktual dan prediksi pada neps

Perbandingan nilai aktual dan prediksi pada neps

100

95

90

85

80
Nilai

75

70

65
Nilai

60

Nilai sesungguhnya
55
Nilai prediksi
50
1 2 3 4 5 6 7 8 9 10
Nomor sampel

Gambar 5
Perbandingan antara nilai aktual dan nilai prediksi pada tegangan tunggal gth

Perbandingan nilai aktual dan prediksi pada kekuatan tunggal

15
Nilai sesungguhnya
14
Nilai prediksi
13
Nilai

12

11
Nilai

10

5
1 2 3 4 5 6 7 8 9 10
Nomor sampel
 Teknologi Informasi dan Kontrol 2021/1/50 85

Gambar 6
Perbandingan antara nilai aktual dan nilai prediksi pada tingkat kerataan benang

Perbandingan nilai aktual dan prediksi pada tingkat kerataan benang

15

10
Nilai

Nilai sesungguhnya

Nilai prediksi
0
1 2 3 4 5 6 7 8 9 10
Nomor sampel

nilai kekuatan tunggal agak berbeda dari nilai

1− e-ω
sebenarnya, kesalahan mutlak kurang dari 8%. -1− e-ω T 2
2 (T+1)
--
Seperti ditunjukkan pada Gambar 6, nilai prediksi - e-ω T2 e-ω 2(T+1) -
= - -- , (19)
mendekati tren nilai kerataan benang yang
sebenarnya. Menurut uji produksi kelompok - eω3T eω3 (T+1) -- -
-
tekstil, biaya berkurang 25%, manfaat meningkat
20%, dan produktivitas perusahaan sangat di mana
, 3 = 9-, T variabel
= 8 -ω rp e waktu
et ersnsa. Ψ
mewakili 3×T0
2
meningkat. matriks. 0
menunjukkan simu-
pengambilan sampel lasi dan T0 =200 . Itu tingkat pengambilan sampel adalah 2

detik. Hasil simulasi ditunjukkan pada Gambar 7 dan

Gambar 8.
4. Perbandingan FPDA dan Metode Kontrol Dari Gambar 7, metode kontrol FPDA yang dirancang dalam
yang Ada dalam Pelacakan Target makalah ini memiliki kontrol pelacakan yang lebih baik
daripada kontroler tradisional ke target. Kurva pelacakan
Untuk menyederhanakan prosedur, dalam simulasi,
metode kontrol FPDA ke target hampir mendekati orbit
kontrol FPDA dan kontrol PID tradisional [4, 19]
sebenarnya dari target. Dari Gambar 8, kesalahan
dibandingkan dengan kontrol tiga target. Biarkan target
pelacakan metode kontrol FPDA secara bertahap menurun
melakukan gerakan linier seragam dan gerakan belok
dan cenderung ke nilai yang stabil.
kiri dan kanan seragam, dan laju defleksi adalah
1 = 10- atau
Bandingkan dengan metode kontrol pelacakan yang ada dari
1 = 10- . Bobot kontrol FPDA untuk tiga tar-
pengontrol tradisional [4, 19] seperti pengontrol PID, pengontrol
mendapat adalah sebuah1 = (0,6, 0,4, 0,3 0,2) , sebuah2 = (0,2, 0,4, 0,6 0,8)

dan sebuah3 = (0,1, 0,5, 0,2, 0,4) , masing-masing. Kontrol FPDA tidak hanya memiliki kecepatan pemrosesan yang lebih cepat,
penggunaan ruang penyimpanan yang lebih rendah, tetapi juga
matriks diberikan sebagai berikut:
86 Teknologi Informasi dan Kontrol 2021/1/50

Gambar 7
Perbandingan FPDA dan metode kontrol yang ada untuk kontrol pelacakan target

pelacakan kontrol FPDA dan metode kontrol yang ada

8000

6000

4000

2000

0
sumbu y sumbu y

- 2000

- 4000

- 6000
orbit sebenarnya dari kontrol
- 8000 FPDA yang dirancang target

kontrol tradisional
- 10000
0 0,5 1 1.5 2
4
sumbu x x 10

Angka 8
Perbandingan FPDA dan metode kontrol yang ada untuk kesalahan kontrol target

kesalahan kontrol FPDA dan metode kontrol yang ada

2000
kontrol FPDA yang dirancang

1500 kontrol tradisional

1000

500
kesalahan kesalahan

- 500

- 1000

- 1500

- 2000
0 50 100 150 200
waktu
 Teknologi Informasi dan Kontrol 2021/1/50 87

Gambar 9
Keakuratan FPDA dan metode kontrol yang ada untuk kontrol pelacakan target

Kontrol presisi metode kontrol yang diusulkan dan tradisional

1

0,95

0.9

0,85
tingkat presisi

0.8

0,75

0,7

0,65
kontrol FPDA yang dirancang

kontrol tradisional

0 100 200 300 400 500 600 700 800 900

waktu

efek kontrol yang lebih baik. Rata-rata presisi kontrol cess oleh FPDA untuk kualitas benang pemintalan dibahas.
FPDA adalah 96,87%. Namun, kontroler tradisional Kemudian, perbandingan FPDA dan metode kontrol lainnya dalam
adalah 91,89%. Ini menunjukkan bahwa presisi rata-rata kontrol target diberikan. Hasil simulasi menunjukkan bahwa metode
kontrol FPDA adalah 4,98% lebih tinggi daripada metode kontrol FPDA yang dirancang memiliki kecepatan kontrol yang lebih
kontrol tradisional, dan kecepatan kontrolnya 12 detik cepat dan presisi kontrol yang lebih tinggi.
lebih cepat daripada metode kontrol tradisional. Hasil Kedepannya, peneliti juga perlu melakukan
perbandingan ditunjukkan pada Gambar 9. penelitian mendalam pada beberapa atribut FPDA,
Dari Gambar 9, akurasi metode kontrol FPDA yang seperti lattice, semigroup, group, dll.
dirancang dalam makalah ini lebih baik daripada
metode kontrol yang ada untuk kontrol target. Pengakuan
Karya ini didukung oleh Center Plain Science and
Technology Innovation Talents (194200510016);
Proyek Tim Inovasi Sains dan Teknologi
5. Kesimpulan
Universitas Provinsi Henan (19IRTSTHN013);
Berdasarkan teori himpunan fuzzy, makalah ini Kompilasi Cerdas Keempat Zhengzhou 1125 Bakat
merancang metode kontrol fuzzy pushdown automata. Inovasi Sains dan Teknologi (192101059006);
Model desain kontrol dan aturan inferensi keputusan Asosiasi Henan untuk Sains dan Teknologi
kontrol FPDA diberikan. Kedua, kontrol prediksi pro- (HNKJZK 2020 15C), masing-masing.

Referensi
1. Adamatzky, A. Tentang Interaksi Antara Kegembiraan dan 2. Benmessahel, B., Touahria, M., Nouioua, F.
Geometri. Biosistem, 2020, 187-188. https://doi. org/ Prediktabilitas Sistem Peristiwa Diskrit Fuzzy. Sistem
10.1016/j.biosystems.2019.104034 Dinamis Peristiwa Diskrit, 2017, 27(2), 1-33. https://
doi. org/10.1007/s10626-017-0256-7
88 Teknologi Informasi dan Kontrol
3. Blanco, A., Delgado, M., Pegalajar, MC Identifikasi Sistem
Dinamis Fuzzy Menggunakan Jaringan Syaraf Tiruan
Berulang Max-Min. Himpunan Fuzzy dan Sistem, 2000,
1(48), 63-70. https://doi.org/10.1016 /S0165-
0114(00)00069-5.
4. Du, YB, Zhu, P. Fuzzy Approximations of Fuzzy
Relational Structures. Jurnal Internasional Penalaran
Perkiraan, 2018, 98, 1-10. https://doi.org/10.1016/j.
ijar.2018.04.003
5. Feng, XQ, Wei, CP, Liu, Q. Metode EDAS untuk
Pengambilan Keputusan Multi-kriteria Fuzzy Linguistik
yang Diperpanjang. Jurnal Internasional Sistem Fuzzy,
2018, 20(8), 2470-2483.https://doi.org/10.1007/
s40815-018- 0504-5
6. Garhwal, S., Jiwari, R. Konversi Fuzzy Automata Menjadi
Fuzzy Regular Expressions Menggunakan Transitive
Closure. Jurnal Sistem Cerdas dan Fuzzy, 2016, 30(6),
3123-3129. https://doi.org/10.3233/IFS-152038
7. Gulistan, M., Feng, F., Khan, M., Sezgin, A. Karakterisasi
Semigrup Reguler Lemah Kanan dalam Hal Himpunan
Lunak Kubik Umum. Matematika, 2018, 6(12), 293.
https://doi.org/10.3390/math6120293
8. Jose, R., Mendivil, GD Kondisi untuk Automata
Berhingga Deterministik Fuzzy Minimal melalui
Prosedur Brzozowski. Transaksi IEEE pada Sistem
Fuzzy, 2018, 26(4), 2409-2420. https://doi.org/
10.1109/ TFUZZ.2017.2775601
9. Kacur, J., Flegner, P., Durdan, M., Laciak, M. Model
Kontrol Prediktif UCG: Studi Eksperimen dan
Simulasi. Teknologi Informasi dan Pengendalian,
2019, 48(4), 557-578. https://doi.org/10.5755/j01.
itc.48.4.23303.
10. Karthikeyan, V. Fuzzy Automata yang Dapat Diarahkan.
Jurnal Internasional Aplikasi Komputer, 2015, 125(8),
1-4. https://doi.org/10.5120/ijca2015906119
11. Kosmatopoulos, EB, Polycarpou, MM, Christodoulou,
MA, Ioannou, PA Jaringan Saraf Tingkat Tinggi untuk
Identifikasi Sistem Dinamis. IEEE Trans. Jaringan
Saraf, 1995, 6(1), 422-431. https://doi. org/
10.109/72.363477
Artikel ini adalah artikel Akses Terbuka yang didistribusikan di bawah syarat dan ketentuan Lisensi
Creative Commons Attribution 4.0 (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).
2021/1/50
12. Li, YM, Wang, Q. Universal Fuzzy Automaton. Himpunan
dan Sistem Fuzzy, 2014, 249(8), 27-48. https://doi.org/
10.1016/j.fss.2013.08.002
13. Micic, I., Jancic, Z., Ignjatovic, J., Ciric, M. Penentuan
Fuzzy Automata melalui Derajat Inklusi Bahasa.
Transaksi IEEE pada Sistem Fuzzy, 2015, 23(6),
2144-2153. https://doi.org/10.1109/
TFUZZ.2015.2404348
14. Omlin, CW, Thornber, KK, Giles, CL Fuzzy Finite State
Automata Dapat Dikodekan Secara Deterministik Ke
Jaringan Saraf Berulang. Transaksi IEEE pada Sistem
Fuzzy, 1998, 6(1), 76-89. https://doi. org/
10.1109/91.660809
15. Pan, H., Li, Y., Cao, Y., Li, P. Fuzzy Automata
Nondeterministik dengan Nilai Keanggotaan dalam
Kisi Residu Lengkap. Jurnal Internasional Penalaran
Perkiraan, 2017, 82(3), 22-38. https://doi.org/
10.1016/j. ijar.2016.11.020
16. Shamsizadeh, M. Intuitionistic General Fuzzy Automata.
Komputasi Lunak, 2016, 20(9), 3505- 3519. https://doi. org/
10.1007/s00500-015-1969-x
17. Sharma, BK, Tiwari, SP, Sharan, S. Pada Studi Aljabar
Fuzzy Multiset Hingga Automata. Informasi dan
Teknik Fuzzy, 2016, 8(3), 315-327. https://doi.org/
10.1016/j.fiae.2016.09.001
18. Turksen, IB, Yao, DD Representasi Konektivitas
dalam Penalaran Fuzzy: Pandangan Melalui Bentuk
Normal. Transaksi IEEE pada Sistem, Manusia dan
Sibernetika, 1984, 14, 146-151. https://doi.org/
10.1109/ TSMC.1984.6313277
19. Wei, XJ, Li, YM Fuzzy Alternating Automata over
Distributive Lattices. Jurnal Internasional Penalaran
Perkiraan, 2017, 425, 34-47. https: //doi. org/10.101
6/j.ijar. 2017.0 7.007.
20. Yager, RR Keluarga Operator OWA. Himpunan dan
Sistem Fuzzy, 1993, 59, 125-148. https://doi. org/
10.1016/0165-0114(93)90194-M
21. Yang, C., Li, Y. Perkiraan Hubungan Bisimulasi Fuzzy
Automata. Komputasi Lunak, 2017, 22(14), 4535- 4547.
https://doi.org/10.1007/s00500-017-2913-z