یک الگوی جدید فازی نوع -2 بازگشتی غیرخطی جهت شناسایی رفتار سامانه های پویای غیرخطی

در این مقاله یک شبکه عصبی فازی نوع-2 بازگشتی جدید جهت شناسایی سیستم های دینامیکی غیرخطی ارائه می گردد. ساختار شبکه عصبی فازی نوع-2 جدید با قسمت آنگاه غیرخطی، دارای 8 لایه می باشد. در لایه های 0، 1 و 2 عملیات فازی سازی انجام شده و حدود بالا و پایین درجه عضویت تعیین می شود. در لایه های 3 و 4 عملیات نرمال سازی و وزن دهی انجام می گردد. در لایه 5، توابع غیرخطی مثلثاتی وجود دارند که در واقع قسمت آنگاه سیستم فازی را تشکیل داده و فیدبک بازگشتی از لایه خروجی به این لایه وارد می شود. در انتها در لایه های 6 و 7 عملیات فازی زدایی و محاسبه خروجی انجام می گیرد. جهت بررسی و ارزیابی عملکرد شبکه در شناسایی سیستم، اطلاعات ورودی-خروجی دو سیستم فیزیکی (یک موتور dc و یک بازوی ربات منعطف) به شبکه عصبی فازی نوع-2 بازگشتی اعمال شده است. این پژوهش کاملا آزمایشگاهی و عملی بوده و به عبارتی بهره برداری از تکنیک های هوش مصنوعی در کار عملیاتی است. از نوآوری های این مقاله علاوه بر ارائه شبکه عصبی جدید، تولید سیگنال مناسب جهت تحریک سیستم، استخراج داده از سیستم های عملی، پیش پردازش داده (حذف داده پرت، تخمین داده ناموجود و نرمال سازی داده ها) می باشد. در شبیه سازی، معیار مجذور میانگین مربعات خطا نشان می دهد که روش پیشنهادی با اختلاف فراوانی از سایر روش ها، عملکرد مناسب تر دارد.  

a new nonlinear recurrent type-2 fuzzy model to identify the behavior of nonlinear dynamic systems

in this paper, a new recurrent type-2 fuzzy neural network for nonlinear dynamic systems identification is presented. the structure of the new type-2 fuzzy neural network with the non-linear then part has 8 layers. in layers 0, 1 and 2, the fuzzification operation is performed and the upper and lower limits of the membership degree are determined. normalization and weighting operations are performed in layers 3 and 4. in layer 5, there are non-linear trigonometric functions, which actually form the then part of the fuzzy system, and return feedback from the output layer enters this layer. finally, in the 6th and 7th layers, the de-fuzzification operation and the output calculation are performed. in order to check and evaluate the performance of the network in system identification, the input-output information of two physical systems (a dc motor and a flexible robot arm) has been applied to the type-2 recurrent fuzzy neural network. this research is completely experimental and practical, in other words, it is the use of artificial intelligence techniques in operational work. among the innovations of this article, in addition to presenting a new neural network, is generating a suitable signal to stimulate the system, extracting data from practical systems, data pre-processing (removing outliers, estimating missing data, and normalizing data). in the simulation, the root mean square error criterion shows that the proposed method has a better performance than other methods.