عنوان ترجمه شده مقاله: یک روش هیبرید هوشمند و کارآمد برای شناسایی سیستم‌های دینامیکی غیرخطی: شبکه عصبی فازی کرنال مبتنی بر تبدیل موجک

In this paper a hybrid computational intelligent approach of combining kernel methods with wavelet Multi-resolution Analysis (MRA) is presented for fuzzy wavelet network construction and initialization. Mother wavelets are used as activation functions for the neural network structure, and as kernel functions in the machine learning process. By choosing precise values of scale parameters based on the windowed scalogram representation of the Continuous Wavelet Transform (CWT), a set of kernel parameters is taken to construct the proposed Wavelet Kernel based Fuzzy Neural Network (WK-FNN) with an efficient initialization technique based on the use of wavelet kernels in Support Vector Machine for Regression (SVMR). Simulation examples are given to test usability and effectiveness of the proposed hybrid intelligent method in the system identification of dynamic plants and in the prediction of a chaotic time series. It is seen that the proposed WK-FNN achieves higher accuracy and has good performance as compared to other methods

چکیده

در این مقاله، یک روش محاسباتی هوشمند هیبرید بر اساس ترکیب روش ‌های کرنال با تحلیل چند رزولوشنی موجک (MRA) برای ساخت شبکه موجک فازی و مقداردهی اولیه به آن ارائه می ‌شود. موجک ‌های مولد به عنوان توابع فعال ‌سازی برای ساختار شبکه عصبی مورد استفاده قرار می‌ گیرند و همانند توابع کرنال در پروسه یادگیری ماشینی عمل می‌ کنند. با انتخاب مقادیر دقیق پارامترهای مقیاس بر اساس نمایش پنجره‌ ای (نمونه‌ برداری شده) مقیاس تراکمی در تبدیل موجک پیوسته (CWT)، مجموعه ‌ای از پارامترهای کرنال برای ساخت شبکه عصبی فازی مبتنی بر کرنال موجک (WK-FNN) با روش مقداردهی مؤثر بر مبنای استفاده از کرنال های موجک در ماشین بردار پشتیبان که برای رگرسیون استفاده می‌ شود (SVMR) مورد استفاده قرار می ‌گیرند. مثال‌ های شبیه‌ سازی برای تست قابلیت به ‌کارگیری و اثربخشی روش هوشمند هیبرید پیشنهادی در شناسایی سیستم در واحدهای دینامیکی و در پیش‌ بینی سری‌ های زمانی نامنظم استفاده می ‌شوند. مشاهده می‌ شود که روش پیشنهادی WK-FNN دقت بالاتری را نشان داده و دارای عملکرد خوبی در مقایسه با روش ‌های مشابه است.

1-روش ‌های هیبرید هوشمند: رویه جدید تئوری کنترل

در تئوری کنترل کلاسیک، طراح و یا مهندس می‌ بایست یک مدل ریاضی از پروسه تحت مطالعه ارائه دهد. اگر این مدل ریاضی به‌ خوبی معلوم باشد، یک کنترل‌کننده ایده آل خواهیم داشت که عملکرد کنترلی مطلوبی از خود نشان می ‌دهد. اما در بسیاری از موارد، دستیابی به مدل ریاضی، یک هدف ساده نیست: واحدهایی که ممکن است از پیچیدگی بالایی برخوردار باشند که دلیل آن نیز پارامترهای نامعلوم سیستم و یا اغتشاش‌ های خارجی است. در چنین مواردی، و به همین دلایل، توسعه روش ‌های جدید اجتناب ‌ناپذیر بوده و چالشی جدید برای مهندسین و محققین ایجاد شده است. طی چند دهه اخیر، پیشرفت‌ های شگرف در سخت‌ افزارها و نرم ‌افزارهای محاسباتی باعث ظهور روش‌ های جدید و غیرمتداول شبیه‌ سازی و پردازش داده شده است. در میان این روش‌ ها، و احتمالاً از همه مهم تر، روش‌ های هوش محاسباتی (CI), به عنوان مثال هوش مصنوعی (AI), به عنوان یکی از برجسته‌ ترین روش‌ ها در میان روش‌ های هوشمند برای پردازش اطلاعات مطرح می ‌شود که قابلیت بالایی برای کاربردهای مهندسی از خود نشان می ‌دهد...