تحلیل پایداری لیلپانوف در آموزش شناساگر فازی-عصبی نوع 2 با الگوریتم مبتنی برازدحام ترکیبی هوشمند

پایداری آموزش یک مدل در فرآیند شناسایی، یکی از الزامات اولیه در پژوهش های سال های اخیر در زمینه کنترل بوده است. هدف از این مقاله، تحلیل پایداری آموزش سیستم استنتاجی فازی-عصبی نوع 2 بازه ای (IT2ANFIS) در هنگام آموزش با یک الگوریتم ترکیبی مبتنی بر ازدحام ذرات است. بخش-های مقدم وتالی مدل به ترتیب با الگوریتم های بهینه سازی ازدحام ذرات (PSO) و فیلتر کالمن (KF) آموزش داده شده اند. یک تابع لیاپانوف جدید برای ارزیابی شرایط پایداری بکار گرفته شده است. این شرایط منجر به محدوده های پایدارساز در پارامترهای قابل تنظیم الگوریتم ها (APAs) همانند ماتریس کوواریانس در KF، ضریب اینرسیایی و بهره ماکزیمم در PSO شده اند. انتخاب پارامترهای قابل تنظیم الگوریتم ها در این محدوده ها پایداری فرآیند آموزش را تضمین نموده است. رویکرد تحلیلی حاصل شده از این مطالعه منجر به پیدایش محدوده های پایدارساز جدید و وسیع تر در این پارامترها شده است. همچنین، پیاده سازی این نظریه در آموزش و پیش بینی مقادیر آتی سری زمانی آشوب مکی گلاس و یک سیستم غیر خطی تصادفی، برتری این نظریه را بر حسب خطای مجذور میانگین مربعات (RMSEs)، زمان شبیه سازی و میزان به دام افتادن در کمینه محلی نشان می دهد.