یک الگوریتم یادگیری ترکیبی جدید جهت طراحی شبکه های موجک فازی برای تقریب توابع، شناسایی و کنترل بهنگام سیستم های غیرخطی

در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجکها به منظور انتخاب موجکهای موثرو تعیین تعداد قوانین فازی استفاده می شود. بدین ترتیب با انتخاب موجکهای موثر بر اساس داده های آموزشی شبکه موجک فازی ساخته شده و مقادیر اولیه پارامترهای شبکه تعیین می شوند. سپس پارامترهای خطی و غیرخطی شبکه به ترتیب با استفاده از روش حداقل مربعات بازگشتی و الگوریتم جهش قورباغه ها تنظیم می گردند. برای نشان دادن قابلیت و توانایی روش پیشنهادی، نتایج شبیه سازی در طی چند مثال برای تقریب تابع، کنترل و شناسایی سیستم های غیرخطی آورده شده است. همچنین، نتایج بدست آمده از این روش با نتایج روش های گزارش شده در مقالات دیگر نیز مقایسه شده است. نتایج شبیه سازی نشان می دهند که روش پیشنهادی مقاله، ضمن استفاده از تعداد قانون فازی کمتر، صحت تقریب و شاخص عملکرد مدل را بهبود بخشیده و از عملکرد بهتری برای سیستم های مورد مطالعه، در مقایسه با سایر روش ها، برخوردار است.