مطالعه مقایسه ای روشهای گرادیانی و تکاملی جهت شناسایی مدلهای وینر مبتنی بر شبکه عصبی

بسیاری از سیستم ها دارای رفتارهای به شدت غیر خطی می باشند. بنابراین وجود یک ابزار مناسب جهت شناسایی چنین سیستم هایی ضروری به نظر میرسد . در این مقاله برای شناسایی سیستم های پیچیده با میزان غیر خطی بودن زیاد از مدل وینر استفاده شده است. قسمت خطی مدل مذکور یک مدل فضای حالت خطی می باشد. برای افزایش کارایی مدل وینر، از شبکه عصبی جهت شناسایی ترم غیر خطی این مدل، استفاده شده است. همچنین جهت بهینه سازی پارامترهای مدل از یک روش مناسب برای پارامتری کردن ترم خطی استفاده شد ه است. در نهایت پارامترهای نهایی مدل وینر کلی با استفاده از الگوریتم ژنتیک به دست آمده اند. روش شناسایی بیان شده بر روی یک فرایند خنثی سازی PH شبیه سازی شده است. نتایج شبیه سازی نشان می دهد که مدل مذکور قابلیت بسیار مناسبی جهت پیش بینی پاسخ پله سیستم را داراست. همچنین روش مذکور با روش های شناسایی ناشی از بهینه سازی کلاسیک مبتنی بر گرادیان مانند الگوریتم لونبرگ – مارکوارت و روش نیوتن مقایسه شده است. نتایج بدست آمده حاکی از آن است که روش بیان شده دارای دقت بسیار زیادی بوده و می توان ازآن جهت مقاصد دیگر مانند اهداف کنترلی استفاده نمود.

Keywords:

شناسایی سیستم های غیر خطی , مدل وینر , شبکه های عصبی , الگوریتم ژنتیک , بهینه سازی