شناسایی سیستم با استفاده از الگوریتم نقطه داخلی و روش های بهینه سازی غیرخطی با در نظر گرفتن مدل ARMA

در این مقاله، روند اجرای الگوریتم نقطه داخلی برای شناسایی سیستمهای مقیاس وسیع بیان گردیده است. ابتدا سیستم با روش های بهینه سازی محدب مقیاس کوچک و مقیاس متوسط شناسایی می گردد، سپس از الگوریتم نقطه داخلی بدین منظور بهره گرفته می شود. در نهایت، یک روش نقطه داخلی با تابع هزینه غیرخطی برای شناسایی سیستمهای مقیاس وسیع با زمان پردازش خوب در مقابل خطای شناسایی پیشنهاد می گردد. در واقع، بدنبال شناسایی سیستم های مقیاس وسیع با مدل مرتبه پایین و زمان پردازش و خطای شناسایی کم هستیم. در این مقاله از مدل ARMA و داده های واقعی مربوط به عوارض پوستی یک خانم باردار بهره گرفته شده است. با توجه به اینکه، این داده ها نوسانی بوده و دارای انحراف زیادی هستند، نمی توان آن را با روش های معمولی برازش منحنی مدلسازی نمود. برای حصول مدلی با مرتبه پایین از روش های بهینه سازی محدب بهره گرفته شده است. در نهایت، تاثیر تعداد داده ها بر روی خطا و زمان پردازش و مرتبه مدل بررسی گردیده است.