تحلیل پایداری لیاپانوف در آموزش سیستم فازی- عصبی نوع ۲ با یک الگوریتم ترکیبی مبتنی بر گرادیان نزولی و فیلتر کالمن
Publish place: Journal Of Modeling in Engineering، Vol: 20، Issue: 68
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 257
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-20-68_007
تاریخ نمایه سازی: 1 مرداد 1401
Abstract:
پایداری آموزش در شناسایی سیستم های غیرخطی یکی از مهمترین مسائل در پژوهش های مربوط به کنترل است. این مقاله به بررسی پایداری یک سیستم فازی- عصبی نوع ۲ بازه ای (IT۲ANFIS) به عنوان شناساگر از طریق یک تابع لیاپانوف جدید می پردازد. در این تحلیل، آموزش قسمت مقدم و تالی سیستم IT۲ANFIS به ترتیب با الگوریتم های گرادیان نزولی و فیلتر کالمن صورت می پذیرد. از این رو، با استفاده از تابع لیاپانوف مورد نظر، محدوده های مجاز متغیر های قابل تنظیم آموزش، بدست می آیند و بر الگوریتم ها اعمال می گردند تا فرآیند شناسایی پایدار بماند. مطابق با تحلیل پایداری این پژوهش، محدوده های تطبیقی وسیعی از متغیر های قابل تنظیم در آموزش الگوریتم ها بدست آمده است. علاوه بر این، مطابق با نتایج شبیه سازی، با انتخاب محدوده های مجاز بر مبنای تحلیل پایداری پیشنهادی ، فرآیند شناسایی پایدار و با عملکرد مناسبی بوده است. هنگامی که روش پیشنهادی برای پیش بینی مقادیر آتی سری آشوب مکی گلاس و یک سیستم غیرخطی با داده های تصادفی به کار گرفته می شود، از نظر ریشه دوم میانگین خطا، زمان شناسایی، و قرار گیری در تله کمینه محلی عملکرد بهتری نسبت به روش های دیگر دارد.
Keywords:
Authors
محمد مهدی ذبیحی شش پلی
دانشکده مهندسی مکانیک، برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
مهدی علیاری شوره دلی
گروه مکاترونیک- دانشکده مهندسی برق - دانشگاه صنعتی خواجه نصیرالدین طوسی - تهران- ایران
علی معرفیان پور
استادیار، دانشکده مهندسی مکانیک، برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :