مدل سازي و شناسايي سيستم هاي ديناميكي غيرخطي با استفاده از يك سيستم فازي عصبي خودسازمانده ي برخط

در اين مقاله، يك سيستم فازيعصبي خود‌سازمانده براي يادگيري تطبيقي برخط  براي شناسايي و مدل‌سازي  سيستم‌هاي ديناميكي غير‌خطي معرفي شده است. در اين سيستم، در ابتدا هيچ نودي در لايه‌ي‌‌ پنهان وجود ندارد و چنان‌چه معيارهاي توليد قوانين در طي فرآيند آموزش برآورده شود نرون RBF به لايه‌ي‌‌ پنهان اضافه مي‌شود. از الگوريتم آموزش حداقل مربعات بازگشتي وزن‌دار (WRLS) براي قابليت يادگيري برخطو افزايش سرعت همگرايي،در فاز يادگيري پارامترهاي قسمت تالي قوانين نوع تاكاگي سوگنو استفاده شده است. در فاز يادگيري، ساختار براي توليد تعداد قوانين مناسب، معيار جديد درجه‌ي تطبيق و معيار متداول خطا به‌كار گرفته شده است. بعد از ايجاد قانون جديد، كارايي سيستم محاسبه شده و  براي ايجاد شبكه‌اي با ساختار فشرده‌تر قوانيني كه تاثير كم‌تري در كارايي سيستم  دارند با يك الگوريتم هرس جديد هرس مي‌شوند. در پايان، براي بهينه‌سازي ساختار توابع عضويت مشابه‌با يكديگر تركيب مي‌شوند. براي بررسي عملكرد سيستم، دو سيستم ديناميك غيرخطي مبنا، در دو حالت نويزي و بدون نويز در محيط Matlab مدل‌سازي شده‌اند. دقت اين مدل‌سازي برمبناي دو معيار تعداد نرون ها (قوانين) و ريشه‌ي‌‌ ميانگين مربعات خطا با ساير روش‌ها مقايسه شده است. با‌توجه به نتايج به‌دست‌آمده، ميانگين درصد بهبود جواب‌ها در تعداد قوانين به‌دست‌آمده نسبت‌به روش مبناي انتخاب‌شده در مدل‌سازي اين دو سيستم در دو حالت نويزي و بدون نويز در مثال اول 42.35% و در مثال دوم 29% مي باشد.