شناسایی سیستم با استفاده از رویکرد فازی عصبی در کاربرد اینترنت اشیا

اینترنت اشیا ( IoT ) در سال های اخیر کابردی محبوب داشته است. با این حال، این کاربرد دارای حالت ارتباط بی سیم می باشد. در چنین سناریویی، کاربر باید اطلاعاتی از نوع داده غیرخطی یا پویا را بسته به کاربردی که دارد، در قالب یک سیگنال یا تصویر، فیلم ارسال کند. مطالعه پیشنهادی بر شناسایی این مدل متمرکز شده است و قصد دارد به شناسایی سیستم پویای غیرخطی در کاربردهای IoT بپردازد. مدل میانگین متحرک اتورگرسیو ( ARMA )، مدل کاربرد IoT را نشان می دهد. به منظور تایید برتری مدل، از سیستم معیار ARMA استفاده شده است. انطباق پذیری از طریق تغییر وزن ثابت شده و به طور جهانی می توان از آن در نسل بعدی استفاده نمود. در اولین اقدام، مدل پرسپترون چند لایه ( MLP ) به عنوان سیستم ARMA در نظر گرفته و مشاهده می شود. علاوه بر این، مدل سیستم عصبی فازی تطبیقی ( ANFIS ) به منظور بهبود دقت و شناسایی سیستم طراحی شده است. در بخش نتیجه گیری نشان داده شده است که این مدل بهتر از MLP و همچنین تکنیک های شناسایی سیستم سنتی محسوب می شود.

Keywords:

سیستم عصبی فازی تطبیقی , کانال شبکه حسگر بی سیم , شناسایی سیستم پویای غیرخطی , اینترنت اشیاء , مدل میانگین متحرک اتورگرسیو