ولی اله غفاری

در این مقاله، الگوریتمی ارائه شده است که یک کنترل کننده ی معکوس مستقیم مبتنی بر شبکه عصبی فازی دینامیک ( )DFNNمقاوم در برابر نقص را پیاده سازی کند. این الگوریتم کنترلی با الهام از روش کنترل معکوس مستقیم، از الگوریتم یادگیری DFNNبه عنوان تخمینگر دینامیک معکوس یک فرآیند تحت کنترل استفاده میکند و سپس با استفاده از یک DFNNدیگر، یک کنترل کننده در مسیر مستقیم FeedForwardبا دینامک عکس دینامیک فرآیند قرار میدهد. تخمینگر و کنترلکننده DFNN براساس شبکه عصبی تابع پایه شعاعی گسترده ساخته شده و عملکرد آنها معادل یک سیستم فازی TSK است که دارای سرعت یادگیری سریعتر و ساختار شبکه فشردهتر با عملکرد تقریبی و تعمیم بالا است. از آنجا که این کنترل کننده ی هوشمند با الگوریتم تشخیص نقص از طریق افزونگی دادهها، از آسیبهای ناشی از نقص، مقاوم میشود یا به عبارت دیگر تحمل نقص مبتنی بر الگوریتم را برای محاسبات خود اعمال میکند، بنابراین در هنگام انجام کنترل، قادر به تشخیص و تصحیح خطاهای دائمی و گذرا در عملیات ماتریسی مربوط به محاسبات کنترلی است. در نهایت، در این مقاله، کارکرد این الگوریتم در کنترل و شناسایی سیستم دینامیکی غیرخطی از طریق شبیه سازی بررسی شده است که کارایی آن در انجام عملیات کنترل قابل مشاهده است. هر الگوریتم زمان اجرای خاص خود را دارد که از موارد مهم قابل بررسی در طراحی الگوریتم است و کارایی آن از روی زمان اجرای آن بررسی میشود. زمان اجرای الگوریتم مقاوم شده در برابر نقص در حضور نقص و عدم حضور نقص متفاوت است که زمان اجرا و کارایی هر دو به هنگام اجرای الگوریتمها در این تحقیق بررسی و گزارش شده است