مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط

Abstract

در این مقاله، یک سیستم فازی<strong>-</strong>عصبی خود‌سازمانده برای یادگیری تطبیقی برخط برای شناسایی و مدل‌سازی سیستم‌های دینامیکی غیر‌خطی معرفی شده است. در این سیستم، در ابتدا هیچ نودی در لایه‌ی‌‌ پنهان وجود ندارد و چنان‌چه معیارهای تولید قوانین در طی فرآیند آموزش برآورده شود نرون RBF به لایه‌ی‌‌ پنهان اضافه می‌شود. از الگوریتم آموزش حداقل مربعات بازگشتی وزن‌دار (WRLS) برای قابلیت یادگیری برخطو افزایش سرعت همگرایی،در فاز یادگیری پارامترهای قسمت تالی قوانین نوع تاکاگی سوگنو استفاده شده است. در فاز یادگیری، ساختار برای تولید تعداد قوانین مناسب، معیار جدید درجه‌ی تطبیق و معیار متداول خطا به‌کار گرفته شده است. بعد از ایجاد قانون جدید، کارایی سیستم محاسبه شده و برای ایجاد شبکه‌ای با ساختار فشرده‌تر قوانینی که تاثیر کم‌تری در کارایی سیستم دارند با یک الگوریتم هرس جدید هرس می‌شوند. در پایان، برای بهینه‌سازی ساختار توابع عضویت مشابه‌با یکدیگر ترکیب می‌شوند. برای بررسی عملکرد سیستم، دو سیستم دینامیک غیرخطی مبنا، در دو حالت نویزی و بدون نویز در محیط Matlab مدل‌سازی شده‌اند. دقت این مدل‌سازی برمبنای دو معیار تعداد نرون ها (قوانین) و ریشه‌ی‌‌ میانگین مربعات خطا با سایر روش‌ها مقایسه شده است. با‌توجه به نتایج به‌دست‌آمده، میانگین درصد بهبود جواب‌ها در تعداد قوانین به‌دست‌آمده نسبت‌به روش مبنای انتخاب‌شده در مدل‌سازی این دو سیستم در دو حالت نویزی و بدون نویز در مثال اول 42.35% و در مثال دوم 29% می باشد.