دانلود ترجمه مقاله شناخت و پیش بینی سیستم غیر خطی توسط SAFIS – مجله الزویر

• بخشی از ترجمه:

چکیده ترجمه:
در این مقاله سیستم استنتاج فازی تطبیقی به نام SAFIS ، بر مبنای شباهت های عملکردی بین شبکه توابع بر پایه شعاع و سیستم استنتاج فازی (FIS) ایجاد می گردد. در سیستم SAFIS (استنتاج فازی تطبیقی)، مفاهیم مربوط به تاثیر قوانین فازی معرفی شده و با استفاده از این موارد، قوانین فازی بر مبنای داده های اولیه ای که تا به حال دریافت شده اند، حذف یا اضافه می گردند. اگر داده های اولیه مانع اضافه شدن قوانین فازی شوند، به این ترتیب تنها پارامترهای مربوط به قوانین مشخص( در مفهوم اقلیدسی) با استفاده از طرح فیلتر کالمن به روز می گردند. عملکرد SAFIS (استنتاج فازی تطبیقی) با چندین الگوریتم موجود در ارتباط با مسئله ارزیابی مقایسه ای شناسایی دو سیستم غیر خطی و مسئله پیش بینی سری زمانی زمان پرهرج و مرج، مقایسه می گردد. نتایچ نشان می دهد که SAFIS (استنتاج فازی تطبیقی) در مقایسه با الگوهای دیگر با توجه به تعداد قوانین کمتر، صحت مشابه یا بهتری را ایجاد می کند.
کلیدواژه: سیستم استنتاج فازی تطبیقی زنجیره ای(SAFIS)؛ GAP-RBF؛ GGAP-RBF؛ تاثیر قوانین فازی؛ فبلتر توسعه یافته کالمن.
مشخص است که سیستم استنتاج فازی(FIS) تقریبا مشابه طرح های ورودی و خروجی با در نظر گرفتن بعضی از قوانین مورد استفاده قرار می گیرد. در طرح FIS، دو فعالیت اصلی وجود دارد که شامل تعیین ساختار و انطباق پارامترها می باشد. شناسایی ساختارها به تعیین ورودی ها و خروجی ها ، متغیرهای پیش رو و قبلی با توجه به قوانین مورد نظر، تعداد قوانین، و موقعیت تابع عضویت می پردازد. فعالیت ثانویه انطباق پارامتر شامل تشخیص پارامترها می باشد زیرا ساختار سیستم فازی در مراحل پیشین مشخص شده اند.
اخیرا، شباهت توابع بین َبکه های به هم پیوسته RBF، و FIS برای به اجرا در آوردن دو مرحله بالا مورد استفاده قرار گرفته است. این طرح از قابلیت های RBF برای تغییر قوانین و همچنین تنظیم پارامترها با توجه به اینکه سلول های پنهانی شبکه RBF در ارتباط با سیستم فازی می باشند، استفاده می کند.

• بخشی از مقاله انگلیسی:

Abstract

In this paper, a Sequential Adaptive Fuzzy Inference System called SAFIS is developed based on the functional equivalence between a radial basis function network and a fuzzy inference system (FIS). In SAFIS, the concept of “Influence” of a fuzzy rule is introduced and using this the fuzzy rules are added or removed based on the input data received so far. If the input data do not warrant adding of fuzzy rules, then only the parameters of the “closest” (in a Euclidean sense) rule are updated using an extended kalman filter (EKF) scheme. The performance of SAFIS is compared with several existing algorithms on two nonlinear system identification benchmark problems and a chaotic time series prediction problem. Results indicate that SAFIS produces similar or better accuracies with less number of rules compared to other algorithms.

Introduction

It is well known that Fuzzy Inference Systems (FIS) can be used to approximate closely any nonlinear input– output mapping by means of a series of if–then rules [9]. In the design of FIS, there are two major tasks, viz., the structure identification and the parameter adjustment. Structure identification determines the input–output space partition, antecedent and consequent variables of if–then rules, number of such rules, and initial positions of membership functions. The second task of parameter adjustment involves realizing the parameters for the fuzzy system structure determined in the previous step [15]. Recently, the functional equivalence between a RBF neural network and a FIS (under certain conditions [8]) have been exploited by many researchers for carrying out the above two tasks [14,4,10,18,13]. These schemes utilize the learning capabilities of the RBF for changing the rules as well as adjusting the parameters since the hidden neurons of the RBF networks are related to the fuzzy rules. These methods can be broadly divided into two classes namely batch learning schemes and sequential learning schemes.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله