شناسايي سيستمهاي ديناميكي غيرخطي در حضور اغتشاش خارجي با استفاده از مدل همرشتاين عصبي-مرتبه‌كسري

دكتري تخصصي

بسيار‌ي از سيستم‌هاي فيزيكي مرتبه¬كسري‌ بوده يا اين¬كه با مدل¬هاي مرتبه¬كسري با پارامترهاي بسيار كمتري نسبت به مدل¬هاي مرتبه‌صحيح قابليت مدل¬سازي دارند. از طرف ديگر، قابليت شبكه‌هاي عصبي در شناسايي سيستم‌هاي ديناميكي غيرخطي چندورودي- چندخروجي همواره مد نظر پژوهشگران بوده‌است. نكته‌ي ديگر، قابليت تقريب بالا و پيچيدگي محاسباتي كم مدل¬هاي همرشتاين در شناسايي سيستم¬هاي ديناميكي غيرخطي است. علاوه بر نكات فوق، معمولا خروجي سيستم¬هاي فيزيكي مي¬تواند شامل نويز و اغتشاش¬هاي مختلفي از جمله نقاط پرت باشد. لذا براي اين¬كه يك مدل¬سازي فراگير، ساده، دقيق و مقاوم در برابر نقاط پرت به¬دست¬آيد، در اين رساله، هدف شناسايي سيستم‌هاي ديناميكي غيرخطي در حضور اغتشاش خارجي برمبناي مدل همرشتاين با استفاده از شبكه‌هاي عصبي و سيستم‌هاي مرتبه¬كسري است. در اين رساله، مدل همرشتاين مذكور به نام همرشتاين عصبي-مرتبه¬كسري شناخته¬شده و اغتشاش خارجي از نوع نقاط پرت گرفته¬شده¬است. در اينجا، براي رسيدن به اين هدف شناسايي دومرحله¬اي پيشنهاد مي¬شود كه شامل شناسايي حوزه فركانسي و شناسايي حوزه زماني مي¬شود. در مرحله¬ي اول از شناسايي، داده¬هاي حوزه زماني ضبط¬شده از سيستم به حوزه¬ي فركانس انتقال داده شده و با استفاده از روش¬هاي بهينه¬سازي مقيد در حوزه¬ي فركانس پارامترهاي مرتبه¬ي كسري و درجه¬ي تابع تبديل زيرسيستم خطي ديناميكي به¬دست¬مي¬آيد. سپس در حوزه¬ي زمان با استفاده از نظريه¬ي پايداري لياپانوف بقيه¬ي پارامترهاي مدل همرشتاين عصبي-مرتبه¬كسري تخمين زده مي¬شود. در زماني¬كه خروجي سيستم آغشته به نقاط پرت جمع¬شونده است، براي اينكه بتوان به الگوريتم شناسايي مقاوم در حضور نقاط پرت رسيد، تبديل فوريه¬ي گسسته¬ي غيريكنواخت براي شناسايي حوزه¬ فركانسي و استفاده از توابع لياپانوف دوضابطه¬اي و كرنلي براي شناسايي حوزه زماني پيشنهاد مي¬شود. تحليل¬هاي پايداري شناساگر و همچنين همگرايي پارامترهاي مدل انجام¬شده و با چندين مثال آزمايشگاهي و عددي پايداري و همگرايي مدل¬سازي ارزيابي مي¬شود.

190839

دانشگاه علم و صنعت ايران

كنترل

دكتر محمد فرخي