طراحی یک سیستم فازی-عصبی خود سازمانده با قابلیت یادگیری برخط برای شناسایی سیستم های دینامیک غیر خطی در حضور نویز

در این مقاله یک سیستم فازی-عصبی خود سازمانده با قابلیت یادگیری برخط برای شناسایی سیستم های دینامیک غیر خطی درحضور نویز ارائه شده است. ابتدا در این سیستم هیچ نودی در لایه ی پنهان وجود ندارد ودر طی فرایند آموزش چنانچه معیارهای تولید قوانین ارضاء شوند نرونRBF به لایه ی پنهان اضافه می شود. پارامترهای قانون جدید به فرم تاکاگی -سوگنو با استفاده ازالگوریتم آموزش حداقل مربعات بازگشتیRLS) برای قابلیت یادگیری برخط و افزایش سرعت همگرایی، تخمین زده می شوند. بعد از فرایند ایجاد قانون جدید، کارایی سیستم، محاسبه شده و قوانینی که تأثیر کمتری در کارایی سیستم دارند هرس می شوند. ویژگی های اصلی این مقاله عبارت است از: 1)استفادهاز معیارجدید درجه ی تطبیق و معیار متداول فاصله در فاز رشد قوانین؛ 2) ارائه ی یک الگوریتم هرس جدیدبر اساس چگالی، که چگالی تعداددفعاتی است که یک قانون آتش می شود، هر بار که یک الگو توسط یک قانون پوشش داده می شود به چگالی آن قانون یک واحد اضافه می شود در پایان قانونی که کمترین مقدار چگالی را داشته باشد از بین قوانین موجود هرس می شود؛ 3) ترکیب توابع عضویت مشابه و تغییر عرض آنهابه منظور افزایش کارایی سیستم؛ 4) ایجاد قوانین فازی بدون استفاده از الگوریتم پس انتشار خطا؛ نتایج شبیه سازی با بررسی عملکرد سیستم درحضور نوئیز روی یک مسأله ی مبنا، شامل شناسایی یک سیستم دینامیک غیرخطی حاکی از دقت بالاتر و ساختار فشرده تر الگوریتم پیشنهادی نسبت به سایر روش هاست

کلیدواژه ها:

شناسایی سیستم های غیر خطی ، سیستم های فازی-عصبی خودسازمانده ، قوانین تاکاگی- سوگنو ، نوئیز