Identification of the linear parts of nonlinear systems for fuzzy modeling

13 صفحه

شناسایی قطعات خطی سیستم های غیر خطی برای مدل سازی فازی

36 صفحه

فایل word ترجمه و pdf رایگان انگلیسی

200,000 ريال

چکیده
در روش مستقیم مدل سازی فازی، شناسایی ساختار یکی از حساس ترین وظایف است. در مدل سازی سیستم غیر خطی، این واقعیت بسیار مهم تر است. در این مقاله، یک روش ترکیبی جدید برای خوشه بندی داده های واقع در نقاط خطی بر روی سیستم های غیر خطی ارائه شده است. روش ارائه شده می تواند داده های ورودی و خروجی را در دو گروه پارتیشن بندی نماید: داده های واقع در نقاط خطی و داده های اکسترمم. نشان داده شده است که اولین گروه از داده ها برای طبقه بندی الگوریتم های فازی خوشه بندی مدل C-رگرسیون (FCRM) و گروه دوم برای C-ابزارهای فازی (FCM) مناسب است. سپس، بر اساس یافته های فوق، یک الگوریتم خوشه بندی ترکیبی جدید ارائه شده است. در نهایت، روش پیشنهادی، توسط چند مثال عددی از توابع غیر خطی تست و تایید شده است.
 
1. مقدمه
مدل سازی فازی یکی از تکنیک های قدرتمند به منظور برآورد رابطه ورودی و خروجی در سیستم های پیچیده غیر خطی است. به طور کلی، دو روش برای مدل سازی فازی وجود دارد: (1) روش مستقیم بر اساس دانش و تخصص، و (2) رویکرد غیر مستقیم با استفاده از داده های ورودی-خروجی یک سیستم. در رویکرد اول، این سیستم از طریق مذاکره با کارشناسان، با استفاده از برخی فن آوری هوشمند توسعه می یابد. رایج ترین نقد در این روش این است که با افزایش تعداد متغیرهای ورودی، تعداد قوانین توانی افزایش می یابد، و این برای سیستم های پیچیده با تعداد زیادی از متغیرهای ورودی و خروجی مناسب نیست. علاوه بر این، این روش معمولا ذهنی است و بستگی به دانش متخصص دارد که گاهی اوقات می تواند معیوب باشد. علاوه بر این، کسب دانش یک کار بی اهمیت نیست، کارشناسان همیشه در دسترس نیستند، و زمانی که هستند، دانششان همیشه سازگار، منظم و کامل نیست، بلکه اغلب ناقص و اپیزودیک است. با این حال، مزیت اصلی این روش قابلیت تفسیر پذیری آن است، چرا که وقتی که یک مدل فازی با استفاده از دانش و تخصص توسعه یابد، معمولا طراح مدل مراقبت است که مدل، تفسیری باقی بماند.