Sprzętowa implementacja algorytmów dekompozycji lingwistycznej opartych na podziale bazy wiedzy w układzie FPGA

Układowe realizacje systemów wnioskowania przybliżonego wymagają często znacznych nakładów. Zmniejszenie ich jest możliwe poprzez zastosowanie metody dekompozycji Gupty i przedstawieniu systemu jako struktury hierarchicznej. W celu wyeliminowania jej niekorzystnych własności konieczny jest wstępny podział bazy wiedzy. Zaproponowana została metoda najlepszego wyboru wykorzystująca wybrane algorytmy podziału, zaimplementowana w sprzętowym systemie wnioskowania przybliżonego FPGA-FIS.

The hardware cost of a fuzzy inference system can be reduced using the Gupta's relational decomposition technique [1]. The system can be represented as a hierarchical architecture that comprises a set of Single Input Single Output subsystems (Fig. 1). The decomposition has some disadvantages, computation of the global relation ℜ is an extremely time-consuming process and a large memory is necessary to store it. They can be eliminated if projection is expanded on linguistic level and decomposition is used for the knowledge base (1), (Fig. 2) [2]. The projection operation (on relational or linguistic level) in some cases can lead to inevitable loss of information because of its approximate nature [3]. To avoid the inference error (the output result is more fuzzy than that obtained in the classical system architecture (3)) methods for partitioning (5) the knowledge base KB[Y , XK,? , X1] into p subbases without inconsistent rules (4) are proposed [4]. In Section 3 the methods based on partitioning towards a defined input linguistic variable (Fig. 3) and elimination of the inconsistent rules (Fig. 4) are described [5, 6]. The algorithms are simple and fast but the results are not optimal in all cases (hardware cost depends on the number of subsystems p, Tab. 1). Thus, the method of the best choice is proposed and implemented in the FPGA fuzzy inference system as a DMU (Decomposition Management Unit) module (Fig. 6).