دوره 20، شماره 1 - ( 3-1402 )
جلد 20 شماره 1 صفحات 180-171 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Tavoosi J, Yousefi S. A New Nonlinear Recurrent Type-2 Fuzzy Model to Identify the Behavior of Nonlinear Dynamic Systems. JSDP 2023; 20 (1) : 11
URL: http://jsdp.rcisp.ac.ir/article-1-1062-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1062-fa.html
طاوسی جعفر، یوسفی سجاد. یک مدل جدید فازی نوع-2 بازگشتی غیرخطی جهت شناسایی رفتار سیستمهای دینامیکی غیرخطی. پردازش علائم و دادهها. 1402; 20 (1) :171-180
دانشگاه ایلام
چکیده: (1104 مشاهده)
در این مقاله یک شبکه عصبی فازی نوع-2 بازگشتی جدید جهت شناسایی سیستمهای دینامیکی غیرخطی ارائه میگردد. ساختار شبکه عصبی فازی نوع-2 جدید با قسمت "آنگاه" غیرخطی، دارای 8 لایه میباشد. در لایههای 0، 1 و 2 عملیات فازی سازی انجام شده و حدود بالا و پایین درجه عضویت تعیین میشود. در لایههای 3 و 4 عملیات نرمالسازی و وزندهی انجام میگردد. در لایه 5، توابع غیرخطی مثلثاتی وجود دارند که در واقع قسمت "آنگاه" سیستم فازی را تشکیل داده و فیدبک بازگشتی از لایه خروجی به این لایه وارد میشود. در انتها در لایههای 6 و 7 عملیات فازیزدایی و محاسبه خروجی انجام میگیرد. جهت بررسی و ارزیابی عملکرد شبکه در شناسایی سیستم، اطلاعات ورودی-خروجی دو سیستم فیزیکی (یک موتور DC و یک بازوی ربات منعطف) به شبکه عصبی فازی نوع-2 بازگشتی اعمال شده است. این پژوهش کاملا آزمایشگاهی و عملی بوده و به عبارتی بهرهبرداری از تکنیکهای هوش مصنوعی در کار عملیاتی است. از نوآوریهای این مقاله علاوه بر ارائه شبکه عصبی جدید، تولید سیگنال مناسب جهت تحریک سیستم، استخراج داده از سیستمهای عملی، پیش پردازش داده (حذف داده پرت، تخمین داده ناموجود و نرمالسازی دادهها) میباشد. در شبیهسازی، معیار مجذور میانگین مربعات خطا نشان میدهد که روش پیشنهادی با اختلاف فراوانی از سایر روشها، عملکرد مناسبتر دارد.
شماره‌ی مقاله: 11
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1398/5/30 | پذیرش: 1401/12/3 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
دریافت: 1398/5/30 | پذیرش: 1401/12/3 | انتشار: 1402/5/22 | انتشار الکترونیک: 1402/5/22
فهرست منابع
1. [1] A. Rabbani, A. Karimpor, Identification and Modeling of Gas Turbine and Response Investigation of the Model to the Frequency Variation of Grid Power. Journal of Control. Vol. 12, no. 3, pp.77-87, 2018. Doi: 10.29252/joc.12.3.77. [DOI:10.29252/joc.12.3.77]
2. [2] W. Greblicki and M. Pawlak, "The Weighted Nearest Neighbor Estimate for Hammerstein System Identification," in IEEE Transactions on Automatic Control, vol. 64, no. 4, pp. 1550-1565, April 2019, doi: 10.1109/TAC.2018.2866463. [DOI:10.1109/TAC.2018.2866463]
3. [3] M. Lin, C. Cheng, Z. Peng, X. Dong, Y. Qu, and G. Meng, Nonlinear dynamical system identification using the sparse regression and separable least squares methods, Journal of Sound and Vibration, vol. 505, pp. 116141, 2021.
https://doi.org/10.1016/j.jsv.2021.116141 [DOI:10.1016/j.jsv.2021.116141.]
4. [4] E. Ghorbani, O. Buyukozturk, and Y. J. Cha, Hybrid output-only structural system identification using random decrement and Kalman filter, Mechanical Systems and Signal Processing, vol. 144, pp. 106977, 2020.
https://doi.org/10.1016/j.ymssp.2020.106977 [DOI:10.1016/j.ymssp.2020.106977.]
5. [5] E. Yazid, C. Y. Ng, Identification of time-varying linear and nonlinear impulse response functions using parametric Volterra model from model test data with application to a moored floating structure, Ocean Engineering, vol. 219, pp. 108370, 2021.
https://doi.org/10.1016/j.oceaneng.2020.108370 [DOI:10.1016/j.oceaneng.2020.108370.]
6. [6] M. Jalanko, Y. Sanchez, V. Mahalec, P. Mhaskar, Adaptive system identification of industrial ethylene splitter: A comparison of subspace identification and artificial neural networks, Computers & Chemical Engineering, Vol. 147, 2021.
https://doi.org/10.1016/j.compchemeng.2021.107240 [DOI:10.1016/j.compchemeng.2021.107240.]
7. [7] H. L. Lyu, W. Wang, X. P. Liu, System identification of fuzzy relation matrix models by semi-tensor product operations, Fuzzy Sets and Systems, vol. 440, pp. 77-89, 2021.
https://doi.org/10.1016/j.fss.2021.06.004 [DOI:10.1016/j.fss.2021.06.004.]
8. [8] L. Xu, B. Song & M. Cao "An improved particle swarm optimization algorithm with adaptive weighted delay velocity", Systems Science & Control Engineering, vol. 9, no. 1, pp. 188-197, 2021.
https://doi.org/10.1080/21642583.2021.1891153 [DOI:10.1080/21642583.2021.1891153.]
9. [9] J. Tavoosi, A. Suratgar, and M. Menhaj, "Stable ANFIS2 for Nonlinear System Identification". Neurocomputing, vol. 182, pp. 235-246, 2016.
https://doi.org/10.1016/j.neucom.2015.12.030 [DOI:10.1016/j.neucom.2015.12.030.]
10. [10] J. Tavoosi, A. Suratgar, and M. Menhaj, "Nonlinear system identification based on a self-organizing type-2 fuzzy RBFN". Engineering Applications of Artificial Intelligence, vol. 54, pp. 26-38, 2016.
https://doi.org/10.1016/j.engappai.2016.04.006 [DOI:10.1016/j.engappai.2016.04.006.]
11. [11] J. Tavoosi, A. Mohammadzadeh, K. Jermsittiparsert, A review on type-2 fuzzy neural networks for system identification, Soft Computing, vol. 25, no. 10, pp. 7197-7212, 2021.
https://doi.org/10.1007/s00500-021-05686-5 [DOI:10.1007/s00500-021-05686-5.] [PMID] []
12. [12] H. Wang, C. Luo, and X. Wang, "Synchronization and identification of nonlinear systems by using a novel self-evolving interval type-2 fuzzy LSTM-neural network". Engineering Applications of Artificial Intelligence, vol. 81, pp.79-93, 2019.
https://doi.org/10.1016/j.engappai.2019.02.002 [DOI:10.1016/j.engappai.2019.02.002.]
13. [13] A. M. El-Nagar, "Nonlinear dynamic systems identification using recurrent interval type-2 TSK fuzzy neural network - A novel structure". ISA Transactions, vol. 72, pp.205-217, 2018.
https://doi.org/10.1016/j.isatra.2017.10.012 [DOI:10.1016/j.isatra.2017.10.012.] [PMID]
14. [14] C. M. Lin, T. L. Le and Huynh, "Self-evolving function-link interval type-2 fuzzy neural network for nonlinear system identification and control". Neurocomputing, vol. 275, pp.2239-2250, 2019.
https://doi.org/10.1016/j.neucom.2017.11.009 [DOI:10.1016/j.neucom.2017.11.009.]
15. [15] Y. -Y. Lin, J. -Y. Chang, N. R. Pal and C. -T. Lin, "A Mutually Recurrent Interval Type-2 Neural Fuzzy System (MRIT2NFS) With Self-Evolving Structure and Parameters," in IEEE Transactions on Fuzzy Systems, vol. 21, no. 3, pp. 492-509, June 2013, doi: 10.1109/TFUZZ.2013.2255613. [DOI:10.1109/TFUZZ.2013.2255613]
16. [16] H. Moodi and D. Bustan, "Wind turbine control using T-S systems with nonlinear consequent parts". Energy, vol. 172, pp.922-931, 2019.
https://doi.org/10.1016/j.energy.2019.01.133 [DOI:10.1016/j.energy.2019.01.133.]
17. [17] J. Dong, Y. Wang and G. -H. Yang, "Control Synthesis of Continuous-Time T-S Fuzzy Systems with Local Nonlinear Models," in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 39, no. 5, pp. 1245-1258, Oct. 2009, doi: 10.1109/TSMCB.2009.2014961. [DOI:10.1109/TSMCB.2009.2014961] [PMID]
18. [18] H. Moodi, M. Farrokhi, "Robust observer-based controller design for Takagi-Sugeno systems with nonlinear consequent parts". Fuzzy Sets Systems. vol. 273, no. 15, p. 141-154, 2015. https://doi.org /10.1016/j.fss .2015.01.007. [DOI:10.1016/j.fss.2015.01.007]
19. [19] P. Agand, M. A. Shoorehdeli, A. Khaki-Sedigh. "Adaptive recurrent neural network with Lyapunov stability learning rules for robot dynamic terms identification". Engineering Applications of Artificial Intelligence, vol. 65, p. 1-11, 2017.
https://doi.org/10.1016/j.engappai.2017.07.009 [DOI:10.1016/j.engappai.2017.07.009.]
20. [20] Y. -Y. Lin, S. -H. Liao, J. -Y. Chang and C. -T. Lin, "Simplified Interval Type-2 Fuzzy Neural Networks," in IEEE Transactions on Neural Networks and Learning Systems, vol. 25, no. 5, pp. 959-969, May 2014, doi: 10.1109/TNNLS.2013.2284603. [DOI:10.1109/TNNLS.2013.2284603] [PMID]
21. [21] J. Tavoosi, A. A. Suratgar, M. B. Menhaj, A. Mosavi, A. Mohammadzadeh, and E. Ranjbar, "Modeling Renewable Energy Systems by a Self-Evolving Nonlinear Consequent Part Recurrent Type-2 Fuzzy System for Power Prediction," Sustainability, vol. 13, no. 6, pp. 3301, Mar. 2021, doi: 10.3390/su13063301. [Online]. Available: http://dx.doi.org/10.3390/su13063301. [DOI:10.3390/su13063301]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
