کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6866130 679096 2015 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Identification of nonlinear discrete systems by a state-space recurrent neurofuzzy network with a convergent algorithm
ترجمه فارسی عنوان
شناسایی سیستم های گسسته غیرخطی با استفاده از یک شبکه عصبی فکری مستقل فضا با یک الگوریتم همگرا
کلمات کلیدی
مدل شبکه عصبی، مدلسازی فازی شناسایی سیستم، سیستم های زمان گسسته،
ترجمه چکیده
شبکه های عصبی فزاینده مجددا در شناسایی سیستم هایی با دینامیک ناشناخته مفید هستند، زمانی که تنها اطلاعات ورودی-خروجی در دسترس است. با این حال، الگوریتم های آموزش برای این ساختارها معمولا نیاز به اندازه گیری وضعیت واقعی سیستم را برای بدست آوردن یک الگوریتم همگرا دارند و سپس یک طرح برای تقریب رفتار پویای آن به دست می آورند. هنگامی که حالت ها در دسترس نیستند و تنها اطلاعات ورودی-خروجی می تواند به دست آید، ثبات الگوریتم آموزش شبکه های مجازی سخت است، زیرا دینامیک توسط پویش داخلی در هر اتصال هدایت می شود. در این مقاله، ما یک ساختار و یک الگوریتم آموزش پایدار با الهام از ناظر سازگار برای شناسایی جعبه سیاه بر اساس شبکه های عصبی فضایی حالت فضایی برای یک کلاس از سیستم های غیر خطی پویا در زمان گسسته ارائه شده است. شبکه پویایی کارخانه ناشناخته را جلب می کند و به طور مشترک پارامترهای آن را با استفاده از اندازه گیری های خروجی تنها با شناسایی محدود و خطای پارامتر تعیین می کند. نمونه های عددی با استفاده از سیستم های شبیه سازی شده و تجربی برای نشان دادن اثربخشی روش پیشنهادی گنجانده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شناسایی سیستم های گسسته غیرخطی با استفاده از یک شبکه عصبی فکری مستقل فضا با یک الگوریتم همگرا
چکیده انگلیسی
Recurrent neurofuzzy networks have proven to be useful in identification of systems with unknown dynamics when only input-output information is available. However, training algorithms for these structures usually require also the measurement of the actual states of the system in order to obtain a convergent algorithm and then obtain a scheme to approximate its dynamic behavior. When states are not available and only input-output information can be obtained, the stability of the training algorithm of the recurrent networks is hard to establish, as the dynamics is driven by the internal recurrent dynamics of each connection. In this paper, we present a structure and an ultimately stable training algorithm inspired by adaptive observer for black-box identification based on state-space recurrent neural networks for a class of dynamic nonlinear systems in discrete-time. The network catches the dynamics of the unknown plant and jointly identifies its parameters using only output measurements, with ultimately bounded identification and parameter error. Numerical examples using simulated and experimental systems are included to illustrate the effectiveness of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 148, 19 January 2015, Pages 318-325
نویسندگان
, ,