مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط
در این مقاله، یک سیستم فازی-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 می‌ش...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Ayandegan Institute of Higher Education, Tonekabon,
2019-05-01
|
| Series: | تصمیم گیری و تحقیق در عملیات |
| Subjects: | |
| Online Access: | http://www.journal-dmor.ir/article_84307_b406831caa694b16646fe29961d7d894.pdf |
| _version_ | 1797905098006855680 |
|---|---|
| author | حمید طباطبایی شیرین ریخته گر مشهد |
| author_facet | حمید طباطبایی شیرین ریخته گر مشهد |
| author_sort | حمید طباطبایی |
| collection | DOAJ |
| description | در این مقاله، یک سیستم فازی-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. |
| first_indexed | 2024-04-10T09:59:40Z |
| format | Article |
| id | doaj.art-1a37bf8606ab41e4b72bf46332543cc5 |
| institution | Directory Open Access Journal |
| issn | 2538-5097 2676-6159 |
| language | fas |
| last_indexed | 2024-04-10T09:59:40Z |
| publishDate | 2019-05-01 |
| publisher | Ayandegan Institute of Higher Education, Tonekabon, |
| record_format | Article |
| series | تصمیم گیری و تحقیق در عملیات |
| spelling | doaj.art-1a37bf8606ab41e4b72bf46332543cc52023-02-16T08:47:55ZfasAyandegan Institute of Higher Education, Tonekabon,تصمیم گیری و تحقیق در عملیات2538-50972676-61592019-05-0141103210.22105/dmor.2019.8430784307مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخطحمید طباطبایی0شیرین ریخته گر مشهد1گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد قوچان، ایران.گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد نیشابور، ایران.در این مقاله، یک سیستم فازی-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.http://www.journal-dmor.ir/article_84307_b406831caa694b16646fe29961d7d894.pdfشناسایی سیستم های غیر خطیسیستم های فازی-عصبی خودسازماندهقوانین تاکاگی-سوگنونویز |
| spellingShingle | حمید طباطبایی شیرین ریخته گر مشهد مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط تصمیم گیری و تحقیق در عملیات شناسایی سیستم های غیر خطی سیستم های فازی-عصبی خودسازمانده قوانین تاکاگی-سوگنو نویز |
| title | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| title_full | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| title_fullStr | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| title_full_unstemmed | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| title_short | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| title_sort | مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط |
| topic | شناسایی سیستم های غیر خطی سیستم های فازی-عصبی خودسازمانده قوانین تاکاگی-سوگنو نویز |
| url | http://www.journal-dmor.ir/article_84307_b406831caa694b16646fe29961d7d894.pdf |
| work_keys_str_mv | AT ḥmydṭbạṭbạyy mdlsạzywsẖnạsạyysystmhạydynạmyḵygẖyrkẖṭybạạstfạdhạzyḵsystmfạzyʿṣbykẖwdsạzmạndhybrkẖṭ AT sẖyrynrykẖthgrmsẖhd mdlsạzywsẖnạsạyysystmhạydynạmyḵygẖyrkẖṭybạạstfạdhạzyḵsystmfạzyʿṣbykẖwdsạzmạndhybrkẖṭ |