این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۱۲، شماره ۴، صفحات ۷۳-۸۸
عنوان فارسی تحلیل پایداری لیلپانوف در آموزش شناساگر فازی-عصبی نوع ۲ با الگوریتم مبتنی برازدحام ترکیبی هوشمند
چکیده فارسی مقاله چکیده: پایداری آموزش یک مدل در فرآیند شناسایی، یکی از الزامات اولیه در پژوهش های سال های اخیر در زمینه کنترل بوده است. هدف از این مقاله، تحلیل پایداری آموزش سیستم استنتاجی فازی-عصبی نوع 2 بازه ای (IT2ANFIS) در هنگام آموزش با یک الگوریتم ترکیبی مبتنی بر ازدحام ذرات است. بخش-های مقدم وتالی مدل به ترتیب با الگوریتم های بهینه سازی ازدحام ذرات (PSO) و فیلتر کالمن (KF) آموزش داده شده اند. یک تابع لیاپانوف جدید برای ارزیابی شرایط پایداری بکار گرفته شده است. این شرایط منجر به محدوده های پایدارساز در پارامترهای قابل تنظیم الگوریتم ها (APAs) همانند ماتریس کوواریانس در KF، ضریب اینرسیایی و بهره ماکزیمم در PSO شده اند. انتخاب پارامترهای قابل تنظیم الگوریتم ها در این محدوده ها پایداری فرآیند آموزش را تضمین نموده است. رویکرد تحلیلی حاصل شده از این مطالعه منجر به پیدایش محدوده های پایدارساز جدید و وسیع تر در این پارامترها شده است. همچنین، پیاده سازی این نظریه در آموزش و پیش بینی مقادیر آتی سری زمانی آشوب مکی گلاس و یک سیستم غیر خطی تصادفی، برتری این نظریه را بر حسب خطای مجذور میانگین مربعات (RMSEs)، زمان شبیه سازی و میزان به دام افتادن در کمینه محلی نشان می دهد.
کلیدواژه‌های فارسی مقاله شناسایی، پایداری لیاپانوف، سیستم استنتاجی فازی-عصبی تطبیقی نوع 2 بازه ای، فیلتر کالمن، بهینه سازی ازدحام ذرات،
عنوان انگلیسی Lyapunov stability analysis in the training of type 2 Neuro-Fuzzy Identifier with a swarm-based hybrid intelligent algorithm
چکیده انگلیسی مقاله Training stability of a model in an identification process has been one of the primitive requirements in recent control researches. This paper aims at analyzing the training stability of the interval type 2 adaptive Neuro-Fuzzy inference system (IT2ANFIS) with a swarm-based hybrid algorithm. The antecedent and the consequent parts of the model are trained by particle swarm optimization (PSO) and Kalman filter (KF) algorithms, respectively (PSO+KF). The Lyapunov stability theorem with a newly found Lyapunov function is employed to assess the stability conditions. These conditions led to adaptive stabilizing boundaries in the adjustable parameters of the algorithms (APAs), such as the covariance matrix in KF, inertia factor, and maximum gain in PSO. The selection of APAs within these boundaries guaranteed the stability of the training process. The analytical approach of this study resulted in finding new and broader stabilizing boundaries for the APAs. Implementation of the theorem to the training and predicting the future values of the Mackey-Glass chaotic time series and a stochastic non‐linear system revealed the superiority of the theorem in terms of their root mean square errors (RMSEs), simulation times, and their entrapment in the local minimums.
کلیدواژه‌های انگلیسی مقاله شناسایی, پایداری لیاپانوف, سیستم استنتاجی فازی-عصبی تطبیقی نوع 2 بازه ای, فیلتر کالمن, بهینه سازی ازدحام ذرات
نویسندگان مقاله محمد مهدی ذبیحی شش پلی |
دانشکده مهندسی مکانیک، برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

مهدی علیاری شوره دلی |
استادیار، گروه مکاترونیک، قطب کنترل صنعتی، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

علی معرفیان پور |
استادیار، دانشکده مهندسی مکانیک، برق و کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

نشانی اینترنتی https://isee.ui.ac.ir/article_26313_99e613d5dd8271857cdbc0eb1c33cc8a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات