مرتضی رمضانی - عضو هیئت علمی، گروه مهندسی مکانیک، دانشگاه فنی و حرفه ای تهران، ایران.

یکی از مهم ترین بخش ها در مدل سازی و شبیه سازی سیستم های فضایی، تعیین رفتار غیرخطی سیستم است. در این مقاله، استفاده موثر یکی از سیستم های هوش مصنوعی در مراحل اولیه فرایند طراحی سیستم محموله ماهواره های سنجش از دور نشان داده می شود. مدل سازی و تحلیل سیستم های فضایی همواره با عدم قطعیت و عوامل غیرخطی در تشخیص و تصمیم گیری رفتار سیستم روبه رو است و شناخت این عومل می تواند به میزان موثربودن مدل سازی کمک شایانی کند. استفاده از روش استنتاج عصبی- فازی تطبیقی که داده های ذخیره شده در شبکه های آموزش دیده را به صورت یک قاعده فازی بیان می کند، به کاهش زمان مراحل اولیه طراحی و تعداد حلقه های تکراری تعاملات طراحی کمک می کند. در توسعه این متدولوژی از الگوریتم آموزش ترکیبی برای به دست آوردن پارامترهای سیستم استفاده می شود تا همگرایی سریع تر و کاهش ابعاد فضای جستجو ایجاد گردد. آموزش ترکیبی استفاده توامان روش های حداقل مربعات و گرادیان نزولی است. همچنین سیستم استنتاج، برمبنای استنتاج تاکاگی- سوگینو و با توابع تعلق گائوسی مورداستفاده قرار می گیرد. مدل سازی حاضر بر روی سیستم محموله یک ماهواره اجرا می شود. نتایج شبیه سازی نشانگر اثربخشی سیستم استنتاج عصبی- فازی تطبیقی در طراحی مفهومی این سیستم است. میانگین خطای متغیرها برای چهار متغیر جرم، توان و حافظه روی برد محموله و میزان فشرده سازی در طراحی قابل قبول است.

طراحی محموله ماهواره کاهش زمان طراحی ماهواره سنجش از دور طراحی سیستم مدل سازی و شبیه سازی محموله سیستم استنتاج عصبی, فازی تطبیقی