دل های مبتنی بر یادگیری عمیق عملکرد بسیار مناسبی در مدل سازی مسائل پیچیده در بینایی ماشین و پردازش زبان طبیعی از خود نشان داده اند که این موضوع به ماهیت غیرخطی و فراپارامتری این مدل ها نسبت داده می شود. روش های شناسایی سیستم های غیرخطی، می تواند از ابزارهای توسعه یافته در حوزه یادگیری عمیق بهره مند شوند که این امر موجب گسترده شدن ابزارهای موجود برای انتخاب یک مدل مناسب خواهد شد. ازاین رو، در این مقاله قصد داریم تا روش ها و ساختارهای موجود در یادگیری عمیق را از دیدگاه شناسایی سیستم های غیرخطی مرور کنیم. اگرچه مرور نسبتاً جامعی از ابزارهای قابل استفاده در حوزه شناسایی سیستم های غیرخطی ارائه خواهد شد، اما تمرکز اصلی این پژوهش بر کاربرد مدل های متغیر پنهان در شناسایی فضای حالت غیرخطی است. مدل های متغیر پنهان دسته ای از مدل های یادگیری عمیق هستند که در گروه مدل های مولد قرار می گیرند. نسخه اصلی این مدل ها، تنها قابلیت تولید داده های ایستا را داراست. اما با ترکیب شبکه های عصبی بازگشتی و خود رمزنگار تغییراتی، قابلیت تولید داده های ترتیبی برای این مدل ها نیز فراهم شده است. همچنین نسخه ساختاریافته ای از این مدل ها نیز که منطبق بر سیستم های کنترل است، ارائه خواهد شد. مطالعه انجام شده نشان می دهد که عملکرد این مدل ها با مدل های پیشین و کلاسیک موجود، قابل قیاس است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله، یک معیار جامع سنجش کیفیت به منظور بررسی عملکرد مدل های شناسایی شده از سیستم های هیبرید غیرخطی با روش های مبتنی بر رگرسیون بردار پشتیبان، توسعه داده شده است. معیار سنجش کیفیت پیشنهادی در بردارنده تمامی فاکتورهایی است که کیفیت مدل شناسایی شده را تحت تاثیر قرار می دهد. این فاکتورها عبارتند از: خطای شناسایی، کیفیت سیگنال سوئیچ و پیچیدگی مدل. با استفاده از معیار کیفیت توسعه داده شده ، می توان پاسخ های حاصل از شناسایی سیستم هیبرید را مقایسه کرده و بهترین مدل بدست آمده که دارای پیچیدگی معقول بوده، خطای شناسایی مناسب داشته و کیفیت سیگنال سوئیچ آن مطلوب است را انتخاب نمود. این معیار کیفیت با لحاظ کردن اصل تیغ اوکام، از انتخاب مدل های بسیار پیچیده جلوگیری می کند. همچنین امکان مقایسه تاثیر توابع کرنل متفاوت بر مدل شناسایی شده را با در نظر گرفتن فاکتورهای ذکر شده، فراهم می کند.

در این تحقیق، پارامتر های یک مدل غیر خطی از سیستم همودینامیک معروف به مدل بالون به منظور تحلیل تصاویر تصویر برداری عملکردی تشدید مغناطیسی (fMRI) مورد شناسایی و ارزیابی قرار گرفته است. برای تخمین پارامتر های این مدل از دو روش استفاده شد. در این روش ها ابتدا واکسل هایی که سری های زمانی آنها حاوی فعالیت عصبی (ایجاد شده در اثر تحریک) هستند، شناسایی می گردد. سپس برای سری زمانی هر واکسل، پارامتر های مدل بالون یک بار با استفاده از روش «تندترین شیب» و یک بار با استفاده از الگوریتم ژنتیک تخمین زده می شوند. روش های پیشنهادی فوق روی داده های واقعی تصویربرداری عملکردی تشدید مغناطیسی به کار گرفته شد و شناسایی سیستم غیرخطی بالون برای واکسل های مختلف مغز توسط آنها انجام گرفت. دقت این شناسایی ها با مقایسه خروجی مدل حاصل و سری زمانی هر واکسل (داده واقعی) نشان داده شد. همچنین نتایج تخمین پارامتر با روش های پیشنهادی و نتایج حاصل از شناسایی سیستم به وسیله کرنل های ولترا که در سایر تحقیقات انجام شده است، کاملا سازگار بود. از این رو روش های پیشنهادی با احتراز از پیچیدگی های تحلیل نظری و با سرعت قابل قبول (به ویژه روش تندترین شیب) می توانند شناسایی سیستم را با بکارگیری روش های عددی انجام دهند.

در این مقاله، یک سیستم فازی-عصبی خود سازمانده برای یادگیری تطبیقی برخط برای شناسایی و مدل سازی سیستم های دینامیکی غیر خطی معرفی شده است. در این سیستم، در ابتدا هیچ نودی در لایه ی پنهان وجود ندارد و چنان چه معیارهای تولید قوانین در طی فرآیند آموزش برآورده شود نرون RBF به لایه ی پنهان اضافه می شود. از الگوریتم آموزش حداقل مربعات بازگشتی وزن دار (WRLS) برای قابلیت یادگیری برخطو افزایش سرعت همگرایی، در فاز یادگیری پارامترهای قسمت تالی قوانین نوع تاکاگی سوگنو استفاده شده است. در فاز یادگیری، ساختار برای تولید تعداد قوانین مناسب، معیار جدید درجه ی تطبیق و معیار متداول خطا به کار گرفته شده است. بعد از ایجاد قانون جدید، کارایی سیستم محاسبه شده و برای ایجاد شبکه ای با ساختار فشرده تر قوانینی که تاثیر کم تری در کارایی سیستم دارند با یک الگوریتم هرس جدید هرس می شوند. در پایان، برای بهینه سازی ساختار توابع عضویت مشابه با یکدیگر ترکیب می شوند. برای بررسی عملکرد سیستم، دو سیستم دینامیک غیرخطی مبنا، در دو حالت نویزی و بدون نویز در محیط Matlab مدل سازی شده اند. دقت این مدل سازی برمبنای دو معیار تعداد نرون ها (قوانین) و ریشه ی میانگین مربعات خطا با سایر روش ها مقایسه شده است. با توجه به نتایج به دست آمده، میانگین درصد بهبود جواب ها در تعداد قوانین به دست آمده نسبت به روش مبنای انتخاب شده در مدل سازی این دو سیستم در دو حالت نویزی و بدون نویز در مثال اول 42. 35% و در مثال دوم 29% می باشد.

 لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

یکی از سیستم هایی که علیرغم ساختار بسیار ساده، در اکثر کتب و مراجع برای اثبات برتری های یک روش کنترلی مورد استفاده قرار می گیرد، سیستم آونگ وارونه می باشد. هدف از کنترل این سیستم متعادل نمودن آونگ همراه با تضمین محدود بودن حالات سیستم می باشد. تاکنون روش های مختلفی برای کنترل این سیستم مورد بررسی قرار گرفته است. یکی از بهترین روش ها، روش کنترل فازی با کنترل کننده ناظر غیرفازی می باشد. مشکل اکثر این کنترل کننده ها محدود بودن بازه تغییرات شرایط اولیه می باشد. در این مقاله، برای حل این مشکل، روشی نوین ارایه شده است. با توجه به اینکه اصول کار این روش مشابه روش پسگام بوده و در واقع کارآیی آن را برای سیستم های واقعی بیشتری گسترش می دهد، این روش را پسگام تعمیم یافته نام نهاده ایم.

در این پژوهش، تعاملات مودال غیرخطی ناشی از تشدید داخلی یک به سه در سیستم تیر-جرم-فنر-میراگر بر اساس روش شناسایی سیستم غیرخطی مورد بررسی قرار گرفته است. بدین منظور معادلات حاکم بر ارتعاش عرضی تیر و جرم متمرکز بر اساس روش مقیاس های چندگانه مورد تحلیل قرار گرفته و پاسخ ارتعاشات سیستم تحت تشدید اصلی استخراج شده است. سپس رفتار فرکانسی پاسخ ارتعاشی با استفاده از تبدیل های فوریه و موجک مورلت بررسی شده است. به منظور شناسایی غیرپارامتریک پاسخ زمانی، توابع مود ذاتی تک فرکانسی با استفاده از روش تجزیه مود تجربی پیشرفته به دست آمده است. در این روش برای جلوگیری از اختلاط مود ناشی از تعامل مودال از سیگنال های پوششی استفاده شده است. پس از تحلیل رفتار فرکانسی هر یک از توابع مود، دینامیک جریان آهسته سیستم تشکیل شده و نوسانگرهای مودال اصلی برای بازسازی مود ذاتی متناظر استخراج شده است. درنهایت با تحلیل پدیده ضربان در یک سیستم یک درجه آزادی ساده نشان داده شده است که تشدید داخلی تنها در شرایطی باعث به وجود آمدن پدیده ضربان در پاسخ زمانی می شود که شیب دامنه لگاریتمی نیروی نوسان گر غیرصفر باشد. نتایج نشان می دهد که بر اساس متناوب، شبه متناوب و آشفته بودن پاسخ، تعاملات مودال می تواند پایا یا ناپایا باشد. همچنین رفتار آشوبناک بیشتر در مود ارتعاشی رخ می دهد که توسط مکانیزم تشدید داخلی تحریک شده است.