fa یک مدل جدید فازی نوع-2 بازگشتی غیرخطی جهت شناسایی رفتار سیستم‌های دینامیکی غیرخطی مقالات پردازش داده‌های رقمی Paper پژوهشي Research <span style="font-size:13pt"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="FA" style="font-size:12.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">در این مقاله یک شبکه عصبی فازی نوع-2 بازگشتی جدید جهت شناسایی سیستم&shy;<span style="color:#ffc000">های دینامیکی غیرخطی </span>ارائه می&shy;گردد. ساختار شبکه عصبی فازی نوع-2 جدید با قسمت &quot;آنگاه&quot; غیرخطی، دارای 8 لایه می&shy;باشد. در لایه&shy;های 0، 1 و 2 عملیات فازی سازی انجام شده و حدود بالا و پایین درجه عضویت تعیین می&shy;شود. در لایه&shy;های 3 و 4 عملیات نرمال&shy;سازی و وزن&shy;دهی انجام می&shy;<span style="color:#ffc000">گردد</span>. در لایه <span style="color:#ffc000">5، </span>توابع غیرخطی مثلثاتی وجود دارند که در واقع قسمت &quot;آنگاه&quot; سیستم فازی را <span style="color:#ffc000">تشکیل داده و فیدبک </span>بازگشتی از لایه خروجی به <span style="color:#ffc000">این</span> لایه وارد می&shy;شود. در انتها در لایه&shy;های 6 و 7 عملیات فازی&shy;زدایی و محاسبه خروجی انجام می&shy;گیرد. جهت بررسی و ارزیابی عملکرد شبکه در شناسایی سیستم، اطلاعات ورودی-خروجی دو سیستم فیزیکی (یک موتور </span></span></span><span dir="LTR" style="font-size:12.0pt"><span style="line-height:115%">DC</span></span><span lang="FA" style="font-size:12.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:"> و یک بازوی ربات منعطف) به شبکه عصبی فازی نوع-2 بازگشتی اعمال شده است. <span style="color:#ffc000">این پژوهش </span>کاملا آزمایشگاهی و عملی بوده و به <span style="color:#ffc000">عبارتی </span>بهره&shy;برداری از تکنیک&shy;های هوش مصنوعی در کار عملیاتی است. از نوآوری&shy;های این مقاله علاوه بر ارائه شبکه عصبی جدید، تولید سیگنال مناسب جهت تحریک سیستم، استخراج داده از سیستم&shy;های عملی، پیش پردازش داده (حذف داده پرت، تخمین داده ناموجود و نرمال&shy;سازی داده&shy;ها) می&shy;باشد. <span style="color:#ffc000">در شبیه&shy;سازی، معیار مجذور میانگین مربعات خطا</span> <span style="color:#ffc000">نشان می&shy;دهد که روش پیشنهادی با اختلاف فراوانی از سایر روش&shy;ها، عملکرد مناسب&shy;تر دارد. </span></span></span></span></span></span></span></span></span><br> <br> &nbsp; <span style="font-size:13pt"><span style="line-height:115%"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="EN" style="font-size:12.0pt"><span style="line-height:115%"><span style="color:#c00000">In this </span></span></span><span style="font-size:12.0pt"><span style="line-height:115%"><span style="color:#c00000">paper</span></span></span><span lang="EN" style="font-size:12.0pt"><span style="line-height:115%"><span style="color:#c00000">, a new recurrent type-2 fuzzy neural network for nonlinear dynamic systems identification is presented. The structure of the new type-2 fuzzy neural network with the non-linear &quot;then&quot; part has 8 layers. In layers 0, 1 and 2, the fuzzification operation is performed and the upper and lower limits of the membership degree are determined. Normalization and weighting operations are performed in layers 3 and 4. In layer 5, there are non-linear trigonometric functions, which actually form the &quot;then&quot; part of the fuzzy system, and return feedback from the output layer enters this layer. Finally, in the 6th and 7th layers, the de-fuzzification operation and the output calculation are performed. In order to check and evaluate the performance of the network in system identification, the input-output information of two physical systems (a DC motor and a flexible robot arm) has been applied to the type-2 recurrent fuzzy neural network. This research is completely experimental and practical, in other words, it is the use of artificial intelligence techniques in operational work. Among the innovations of this article, in addition to presenting a new neural network, is generating a suitable signal to stimulate the system, extracting data from practical systems, data pre-processing (removing outliers, estimating missing data, and normalizing data). In the simulation, the root mean square error criterion shows that the proposed method has a better performance than other methods.</span></span></span><span dir="RTL" lang="AR-SA" style="font-size:12.0pt"><span style="line-height:115%"><span style="color:#c00000"></span></span></span></span></span></span></span><br> <br> &nbsp; شبکه عصبی فازی نوع- 2 بازگشتی, شناسایی سیستم, قسمت آنگاه غیرخطی Recurrent Type-2 Fuzzy Neural Network, System Identification, Nonlinear Consequent Part 171 180 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1920-1&slc_lang=fa&sid=1 Jafar Tavoosi جعفر طاوسی j.tavoosi@ilam.ac.ir 100319475328460012417 100319475328460012417 Yes Ilam University دانشگاه ایلام Sajjad Yousefi سجاد یوسفی syosefi_1980@yahoo.com 100319475328460012418 100319475328460012418 No Technical and Vocational University (TVU) دانشگاه فنی و حرفه ای