ترجمه ساختار جدید مدل سازی سیستم فازی(سیستم فازی تجزیه شده)

توضیحات

 عنوان فارسی: ساختار جدید مدل سازی سیستم فازی: سیستم فازی تجزیه شده

عنوان انگلیسی مقاله ترجمه شده:

A Novel Fuzzy Modeling Structure-Decomposed Fuzzy System

ساختار جدید مدل سازی سیستم فازی: سیستم فازی تجزیه شده

چکیده:

     سیستم فازی تجزیه شده (DFS) یک سیستم فازی با ساختار جدید است. با توجه به عملکرد عالی یادگیری آن، DFS  در ابتدا برای یک برنامه کنترل یادگیری آنلاین پیشنهاد شده است و نشان داده شد که عملکرد یادگیری آن بسیار موثر و عالی است. این مقاله در مورد استفاده از DFS برای مدل سازی سیستم های پویا است. از آنجایی که مکانیزم یادگیری استفاده شده در کنترل یادگیری آنلاین مناسب برای مدل سازی وظایف نیست، یک الگوریتم فراگیری انتشار برای استفاده از DFS در مدل سازی سیستم های پویا اقتباس شده است. ساختار DFS  بدین صورت است که هر یک از متغیرهای فازی را به زیر سیستم های فازی تجزیه کند که به آن سیستم های فازی مولفه ای یا تجزیه شده گفته می شود. از آن جایی که سیستم های فازی مولفه ای مستقل هستند، یادگیری این پارامترها نیز در سیستم های فازی مولفه ای مختلف مستقل است و بنابراین یادگیری می تواند کارآمدتر شود. با توجه به نتایج شبیه سازی، مشخص است که DFS پیشنهاد شده، سرعت همگرایی بسیاری بیشتری دارد. علاوه بر این، خطای تست DFS بسیار کمتر از سایر سیستم های فازی است.

کلمات کلیدی: الگوریتم فراشناختی بازگشت، سیستم فازی تجزیه شده (DFS)، شناسایی

مقدمه

     همانطور که در [2] – [5] ارائه شده است، شبکه های عصبی یا سیستم های فازی یک تقریب سراسری هستند. بنابراین، به طور گسترده ای از این شبکه ها برای مدل سازی سیستم های پویا استفاده می شود. این رویکردها برای ساخت سیستم ها به طور مستقیم از روابط ورودی-خروجی بدون استفاده از هر دانش دامنه استفاده می کنند  و از این رو اغلب آنها به عنوان برآوردگرهای مستقل از مدل نامیده می شوند[13]. می توان گفت که سیستم فازی عصبی (NFS) یک سیستم فازی مجهز به قابلیت یادگیری شبکه های عصبی است. مطالعات مختلف در مورد NFS در [14] – [25] گزارش شده است. در [14]، با اصلاح مراکز و عرض توابع پایه گاوسی که به عنوان توابع عضویت فازی عمل می کنند، یک شبکه عصبی تابع اساس شعاعی فازی(FRBFNN)  برای یک فرایند یادگیری سریع همگرا پیشنهاد شده است. در [15] – [18] ساختار شبکه عصبی فازی مجدد برای حل مشکلات زمانی پیشنهاد شده است. ویژگی بازگشت با استفاده از خروج تاخیری هر بازخورد تابع عضویت به دست می آید و به عنوان بازخورد تاخیر در [21] نامیده می شود. در [19] رویکرد FRBFNN با یک شبکه عصبی فازی بازگشتی (تحت عنوان RFRBFNN) ترکیب شده و برای به دست آوردن قابلیت تقریبی عملکرد بهتر و سرعت همگرایی سریع پیشنهاد شده است. اساسا، FRBFNN  یک سیستم فازی سنتی است که در قسمت های پیش فرض و پیامدهای آن دارای قابلیت یادگیری می باشد. رویکرد RFRBFNN برای آن که ورودی های بیشتری داشته باشد، نیاز به بازخوردهای تاخیری دارد. در این مقاله، یک ساختار جدید NFS پیشنهاد شده است که تحت عنوان سیستم های فازی تجزیه شده انتشار عقب نامیده می شود (BPDFSs). این ایده کاملا متفاوت از رویکردهای قبلی است. روش BPDFS  ساختاری ارائه می دهد که می تواند فرآیند یادگیری ساده داشته باشد تا یادگیری بتواند کارآمد باشد و پس از آن عملکرد نیز بهتر خواهد شد.

     رویکرد BPDFS از ساختار DFS استفاده می کند تا مدل سازی سیستم های پویا را انجام دهد. در اصل، DFS  برای یک برنامه کنترل یادگیری آنلاین، کنترل فازی انطباق، با توجه به یادگیری موثر آن پیشنهاد شده است [1]. الگوریتم DFS اساساً برای anDFS پیشنهاد شده است که یادگیری بسیار موثر برای کنترل فازی انطباق داده شده دارد. برنامه کنترل یادگیری آنلاین، با توجه به قابلیت یادگیری موثر آن، کنترل فازی انطباقی است [1]. در این مقاله، این که DFS  همچنین می تواند مزایای استفاده از وظایف مدل سازی را به کار گیرد، در نظر گرفته شده است. در بررسی ادبیات موضوع ، ساختارهای مختلف NSF پیشنهاد شده است. اکثر آنها از الگوریتم یادگیری انتشار عقب استفاده می کنند. با این حال، اکثر رویکردها ساختارهای پیچیده ای دارند و حتی ممکن است قابلیت تقریبی خوبی داشته باشند، ممکن است بار یادگیری را افزایش دهند و باعث غیر کارآمد بودن یادگیری شوند. از این مقاله می توان به این نتیجه رسید که ساختار DFS همراه با الگوریتم یادگیری رایج مورد استفاده نه تنها دارای یادگیری بسیار موثر است بلکه قابلیت تقریبی بهتر را در مدل سازی سیستم های پویا نسبت به سیستم های فازی موجود ارائه می دهد.

     ساختار DFS بدین صورت است که هر یک از متغیرهای فازی را به یک زیرسیستم فازی با نام سیستم فازی جزء تجزیه کند. به طور مفهومی، هر سیستم فازی مولفه ای (تجزیه شده) می تواند تعمیمی از یک قانون فازی در یک سیستم فازی سنتی باشد. در بخش بعدی مقدمه ای مفصل تر در این خصوص ارائه خواهیم داد. همچنین مشخص شد که مکانیزم یادگیری مورد استفاده در کنترل فازی انطباقی بر اساس تئوری Lyapunov است و برای وظایف مدل سازی مناسب نیست. یک الگوریتم یادگیری انتشار عقب برای استفاده DFS در سیستم های پویا مدل سازی به کار گرفته شده است. با توجه به استقلال سیستم های فازی مولفه ای، یادگیری این پارامترها نیز در سیستم های فازی مختلف مستقل است  و بنابراین یادگیری می تواند کارآمدتر شود. علاوه بر این، از آزمایشات ما می توان به این نکته نیز اشاره کرد که در هنگام استفاده از DFS، قابلیت تعمیم نیز بهتر می شود.

     این مقاله به پنج بخش تقسیم می شود. پس از این بخش مقدمه، بخش دوم ساختار DFS را مشخص می کند. روند یادگیری BPDFS پیشنهاد شده در بخش سوم معرفی شده است. بخش چهارم تعدادی از نمونه ها را برای اثبات اثربخشی BPDFS پیشنهادی ارائه می دهد. سرانجام نتیجه گیری ها در بخش پنجم ارائه می شود.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.