مدل سازی و شناسایی سیستم های دینامیکی غیرخطی با استفاده از یک سیستم فازی عصبی خودسازمانده ی برخط

در این مقاله، یک سیستم فازیعصبی خود‌سازمانده برای یادگیری تطبیقی برخط  برای شناسایی و مدل‌سازی  سیستم‌های دینامیکی غیر‌خطی معرفی شده است. در این سیستم، در ابتدا هیچ نودی در لایه‌ی‌‌ پنهان وجود ندارد و چنان‌چه معیارهای تولید قوانین در طی فرآیند آموزش برآورده شود نرون rbf به لایه‌ی‌‌ پنهان اضافه می‌شود. از الگوریتم آموزش حداقل مربعات بازگشتی وزن‌دار (wrls) برای قابلیت یادگیری برخطو افزایش سرعت همگرایی،در فاز یادگیری پارامترهای قسمت تالی قوانین نوع تاکاگی سوگنو استفاده شده است. در فاز یادگیری، ساختار برای تولید تعداد قوانین مناسب، معیار جدید درجه‌ی تطبیق و معیار متداول خطا به‌کار گرفته شده است. بعد از ایجاد قانون جدید، کارایی سیستم محاسبه شده و  برای ایجاد شبکه‌ای با ساختار فشرده‌تر قوانینی که تاثیر کم‌تری در کارایی سیستم  دارند با یک الگوریتم هرس جدید هرس می‌شوند. در پایان، برای بهینه‌سازی ساختار توابع عضویت مشابه‌با یکدیگر ترکیب می‌شوند. برای بررسی عملکرد سیستم، دو سیستم دینامیک غیرخطی مبنا، در دو حالت نویزی و بدون نویز در محیط matlab مدل‌سازی شده‌اند. دقت این مدل‌سازی برمبنای دو معیار تعداد نرون ها (قوانین) و ریشه‌ی‌‌ میانگین مربعات خطا با سایر روش‌ها مقایسه شده است. با‌توجه به نتایج به‌دست‌آمده، میانگین درصد بهبود جواب‌ها در تعداد قوانین به‌دست‌آمده نسبت‌به روش مبنای انتخاب‌شده در مدل‌سازی این دو سیستم در دو حالت نویزی و بدون نویز در مثال اول 42.35% و در مثال دوم 29% می باشد.

Dynamical nonlinear systems modeling and identifying using a selforganized NFS

Nonlinear dynamical systems modeling is one of the real challenges of the real world due to the nonlinear and variable nature of time. In this paper, an Online Selforganizing TakagiSugenoNeuroFuzzy System(OSONFS) for dynamic Nonlinear System Identification is proposed. OSONFS is built based on radial basis function(RBF). The algorithm has the ability to adaptive adjustment of the system’s parameter and continuous evolution of the system’s structure. Structure identification and parameters estimation are performed simultaneously. The OSONFS starts with no hidden neuron. In structural learning, the proposed OSONFS uses a twostep algorithm to create a suitable number of rules. A pruning algorithm is used for detecting inactive hidden units and removing them as learning progresses. The weighted recursive least square (WRLS) algorithm is used to adjust all the consequent parameters. Finally, two benchmark examples of nonlinear system identification are demonstrated to show the effectiveness of the proposed method, compared with the other methods. The accuracy of this modeling has been compared with the other methods according to two criteria of the number of neurons (rules) and the root mean square error. According to the results, the average percentage of improvement of the answers in the number of rules obtained in comparison to the chosen method in the modeling of these two systems in both the noise and nonnoise modes in the first example is 42.35% and in the second example is 29 %.