دانلود مقاله پشتیبانی رانندگی با کنترل منطق فازی نوع 2
ترجمه نشده

دانلود مقاله پشتیبانی رانندگی با کنترل منطق فازی نوع 2

عنوان فارسی مقاله: پشتیبانی رانندگی با مدل کنترل منطق فازی نوع 2
عنوان انگلیسی مقاله: Driving support by type-2 fuzzy logic control model
مجله/کنفرانس: سیستم های خبره با برنامه های کاربردی - Expert Systems with Applications
رشته های تحصیلی مرتبط: مهندسی برق - مهندسی کامپیوتر - مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی الکترونیک - مهندسی نرم افزار - هوش مصنوعی - اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: ماشین هوشمند - اینترنت اشیا - سیستم کنترل - مدل فازی نوع 2
کلمات کلیدی انگلیسی: Smart car - IoT - Control system - Type-2 fuzzy model
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.eswa.2022.117798
نویسندگان: Marcin Woźniak - Adam Zielonka - Andrzej Sikora
دانشگاه: Faculty of Electrical Engineering, Silesian University of Technology, Poland
صفحات مقاله انگلیسی: 12
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 9.602 در سال 2020
شاخص H_index: 225 در سال 2022
شاخص SJR: 2.070 در سال 2020
شناسه ISSN: 0957-4174
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e16764
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (ترجمه)

خلاصه

1. مقدمه

2. مفهوم سیستم

3. توسعه سیستم فیزیکی سایبری اینترنت اشیا

4. توسعه ماژول کنترل منطق فازی نوع 2

5. نتایج تجربی

6. نتیجه گیری

بیانیه مشارکت نویسنده CRediT

اعلامیه منافع رقابتی

منابع

فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. System concept

3. Developed IoT cyber–physical system

4. Developed type-2 fuzzy logic control module

5. Experimental results

6. Conclusions

CRediT authorship contribution statement

Declaration of Competing Interest

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     مدل‌های پیشرفته هوش مصنوعی، سیستم‌های IoT را قادر می‌سازد تا با انعطاف‌پذیری زیادی نسبت به نیازهای کاربران کار کنند. در این مقاله سیستم IoT توسعه یافته خود را برای پشتیبانی رانندگی با استفاده از ماژول کنترل منطق فازی نوع 2 ارائه می کنیم. ما سیستم اینترنت اشیا را برای جمع‌آوری داده‌های مربوط به شرایط رانندگی و ارزیابی آن‌ها با توجه به نیازهای کاربر توسعه داده‌ایم. ماژول کاربردی منطق فازی نوع دوم در تحلیل سیگنال‌های شتاب‌سنج برای تنظیم انعطاف‌پذیر عدم قطعیت ارزیابی انتظارات رانندگی هر راننده استفاده شد. سیستم توسعه یافته ما با رانندگی در جاده های مختلف در اتومبیل های مختلف آزمایش شد و نتایج نشان دهنده کارایی عالی است.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     Advanced models of Artificial Intelligence enable systems of IoT to work with great flexibility to the needs of users. In this article we present our developed IoT system for driving support by the use of type-2 fuzzy logic control module. We have developed the IoT system to collect the data about driving conditions and evaluate them adjusting to the needs of user. Applied module of fuzzy logic of the second type was used in analysis of accelerometers signals to flexibly adjust to uncertainty of evaluation of driving expectations of each driver. Our developed system was tested in different cars by driving on various roads and results show excellent efficiency.

Introduction

     Development of real-time Internet of Things (IoT) applications improves technological advances in intelligent transportation and car diagnostic systems. We can read about recent ideas which make Cyber–Physical Systems (CPS) not only supportive to humans but also predictive in potential malfunctions of appliances that we all use in our daily routine. In smart car IoT systems are developed by using sensors and devoted smart technologies to compose innovative control processing.

     IoT systems for cars can work with many different features used in control and diagnostics to autonomous driving aspects. In Cao et al. (2020) was presented a model for smart front detection by using Singular Spectrum Decomposition (SSD) model. Model explained in Luque-Vega, Michel-Torres, Lopez-Neri, Carlos-Mancilla, and González-Jiménez (2020) was using SPIN-V sensors to improve procedure of safe parking. We can also implement models which will prevent collisions and help to maintain elements of car engine and suspension in good conditions. Idea presented in Krishnan (2018) was based on readings from ultrasonic sensor which measured distances to objects and helped in managing of safe drive. Very important for smart cars is also design of software. In practice we can use operating system in smartphones and just implement apps to connect to car sensors, i.e. Minnetti et al. (2020) proposed a smartphone based flush measurement to improve car body assembly procedure. System presented in Saeliw, Hualkasin, Puttinaovarat, and Khaimook (2019) was developed as mobile app to support parking procedure by using rfid infrastructure. In Xu et al. (2020) was presented an interesting discussion on networking, communication and applicable wireless technologies which serve as data transfers for smart cars. The model presented in Olivares-Rojas, Reyes-Archundia, Gutiérrez-Gnecchi, González-Murueta, and Cerda-Jacobo (2020) used 5G internet infrastructure to improve smart metering of multi-tire objects. 

Conclusions

     In this article we present a type-2 fuzzy system for smart driving support. Proposed system is working in IoT infrastructure of accelerometer sensors placed in a car. Data collected in the car is stored in data base from which can be shared with other users of the system, so that results of each driving can be compared to other drivers and also all users can benefit from shared knowledge of road conditions in different localizations. Our proposed model is using knowledge base developed for expert system evaluating road conditions. Proposed model composition enabled better adjustment to driving style which may differ for different people. Thus, all the features of driving can be better evaluated with tolerance to the style of driving of different people.

     Results of our experiments showed that developed system is very efficient. We have done experiments by using different cars in various locations. We have also asked various drivers to collect data for us. Proposed type-2 fuzzy logic system enabled flexible adjustment to various driving style and various expectations of drivers, however showing correct result of road condition evaluation in each case.