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

در این مقاله، یک سیستم فازی-عصبی خود سازمانده برای یادگیری تطبیقی برخط  برای شناسایی و مدل سازی  سیستم های دینامیکی غیر خطی معرفی شده است. در این سیستم، در ابتدا هیچ نودی در لایه ی پنهان وجود ندارد و چنان چه معیارهای تولید قوانین در طی فرآیند آموزش برآورده شود نرون RBF به لایه ی پنهان اضافه می شود. از الگوریتم آموزش حداقل مربعات بازگشتی وزن دار (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 درجه ی تطبیق و معیار متداول خطا به کار گرفته شده است. بعد از ایجاد قانون جدید، کارایی سیستم محاسبه شده و  برای ایجاد شبکه ای با ساختار فشرده تر قوانینی که تاثیر کم تری در کارایی سیستم  دارند با یک الگوریتم هرس جدید هرس می شوند. در پایان، برای بهینه سازی ساختار توابع عضویت مشابه با یکدیگر ترکیب می شوند. برای بررسی عملکرد سیستم، دو سیستم دینامیک غیرخطی مبنا، در دو حالت نویزی و بدون نویز در محیط Matlab مدل سازی شده اند. دقت این مدل سازی برمبنای دو معیار تعداد نرون ها (قوانین) و ریشه ی میانگین مربعات خطا با سایر روش ها مقایسه شده است. با توجه به نتایج به دست آمده، میانگین درصد بهبود جواب ها در تعداد قوانین به دست آمده نسبت به روش مبنای انتخاب شده در مدل سازی این دو سیستم در دو حالت نویزی و بدون نویز در مثال اول 42.35% و در مثال دوم 29% می باشد.