تحليل پايداري لياپانوف در آموزش سيستم فازي عصبي نوع 2 با يك الگوريتم تركيبي مبتني بر گراديان نزولي و فيلتر كالمن

پايداري آموزش در شناسايي سيستم‌هاي غيرخطي يكي از مهمترين مسائل در پژوهش هاي مربوط به كنترل است. اين مقاله به بررسي پايداري يك سيستم فازي عصبي نوع 2 بازه‌اي (IT2ANFIS) به عنوان شناساگر از طريق يك تابع لياپانوف جديد مي‌پردازد. در اين تحليل، آموزش قسمت مقدم و تالي سيستم IT2ANFIS به ترتيب با الگوريتم‌هاي گراديان نزولي و فيلتر كالمن صورت مي‌پذيرد. از اين رو، با استفاده از تابع لياپانوف مورد نظر، محدوده‌هاي مجاز متغير‌هاي قابل تنظيم آموزش، بدست مي‌آيند و بر الگوريتم ها اعمال مي‌گردند تا فرآيند شناسايي پايدار بماند. مطابق با تحليل پايداري اين پژوهش، محدوده‌هاي تطبيقي وسيعي از متغير‌هاي قابل تنظيم در آموزش الگوريتم‌ها بدست آمده است. علاوه بر اين، مطابق با نتايج شبيه‌سازي، با انتخاب محدوده‌هاي مجاز بر مبناي تحليل پايداري پيشنهادي ، فرآيند شناسايي پايدار و با عملكرد مناسبي بوده است. هنگامي كه روش پيشنهادي براي پيش‌بيني مقادير آتي سري آشوب مكي‌گلاس و يك سيستم غيرخطي با داده‌هاي تصادفي به كار گرفته مي‌شود، از نظر ريشه دوم ميانگين خطا، زمان شناسايي، و قرار‌گيري در تله كمينه محلي عملكرد بهتري نسبت به روش‌هاي ديگر دارد.