جلسه دفاع از پایان‌نامه: آقای سیروس حسنوند، گروه مهندسی کنترل

خلاصه خبر: شناسایی آنلاین فرآیندهای پیچیده از جریان اطلاعات بوسیله¬ی سیستم¬های هوشمند فازی تحولگرا.

  • عنوان: شناسایی آنلاین فرآیندهای پیچیده از جریان اطلاعات بوسیله ی سیستم های هوشمند فازی تحولگرا.
  • ارائه‌کننده: سیروس حسنوند
  • استاد راهنما: دکتر حمیدرضا مومنی
  • استاد ناظر داخلی اول: دکتر امین رمضانی
  • استاد ناظر خارجی اول: دکتر مهدی علیاری (دانشگاه: صنعتی خواجه نصیرالدین طوسی)
  • استاد مشاور اول: دکتر بابک نجار اعرابی
  • مکان: P3
  • تاریخ: 97/11/15
  • ساعت: 17:30

چکیده: سیستم¬های فازی تحولگرا (EFS ) با توجه به توانایی تطبیق آنلاین در هر دو قسمت تطبیق پارامتر و ساختار در کنار توسعه دانش و یادگیری خود که به صورت تدریجی انجام می¬دهند، توانسته¬اند عملکرد بسیار خوبی در شناسایی سیستم¬ها برای محیط¬های دینامیکی داشته باشند. EFSها در دو دهه اخیر به صورت گسترده¬ای توسعه داده شده¬اند اما همچنان به دلیل مسائل مرتبط با یادگیری آنلاین، نیازمند پیشرفت و توسعه بیشتر برای ارائه مدل¬های بهتر در جهت تخمین مناسب در شرایط متفاوت هستند. آنچه در این پایان¬نامه در جهت یافتن مدلی ارزشمند ارائه شده است، باز کردن مسیری جدید برای ارتقاء مدل¬های EFS است. در این پایان¬نامه یک سیستم فازی دائما در حال توسعه جدید به نام RETIFIS ارائه شده است که به صورت ‘one-pass’ عمل می¬کند و دانش خود را به صورت تدریجی گسترش می¬دهد و برای اولین بار از مفهوم حداقل مربعات کل (TLS ) در جهت ارائه مدل استفاده می¬کند. بر خلاف سایر الگوریتم¬های مشهور EFS که خطا و عدم قطعیت بوجود آمده بر اساس نویز را تنها در اطلاعات متغیر خروجی فرض می¬کنند، RETIFIS تمام سطوح اطلاعات که علاوه بر متغیرهای خروجی شامل متغیر¬های ورودی نیز می¬شود را همراه با عدم قطعیت می¬بیند و فرض می¬کند تمام متغیر¬ها همراه با نویز هستند (EIV ) که این یکی از ویژگی¬های انحصاری مدل RETIFIS می¬باشد. RETIFIS یک مدل هوشمند است که توانایی تشخیص اطلاعات معتبر و درست را از اطلاعات نامعتبر و گمراه کننده دارد. RETIFIS از خطای متعامد خروجی در جهت تعین ترند خطی خود استفاده می¬کند که استفاده از خطای متعامد خروجی در ساخت مدل نیز بعنوان اولین بار در RETIFIS انجام شده است. RETIFIS از باند ترند خطی برای راهنمای مدل استفاده می¬کند، این باندها عدم قطعیت بوجود آمده از نویز را برای مدل در نظر می¬گیرند تا RETIFIS بتواند عملکرد دقیق¬تری داشته باشد. RETIFIS نسبت به نویز، داده-های اوتلایر و عدم قطعیت مدل مقاوم است و به داده¬های اوتلایر اجازه ورودی به قسمت یادگیری را نمی¬دهد وآنها را از فرآیند یادگیری خارج می¬کند جایی که برای اولین بار در حوزه سیستم¬های یادگیری تدریجی (فازی، عصبی، فازی-عصبی و...) ادعای کشف داده اوتلایر بر روی بنچمارک مشهور Box-Jenkins را دارد. RETIFIS از مفهوم قلمرو قاعده استفاده می¬کند و برای ساخت مدل خروجی خود از این مفهوم برای افزایش دقت در ردیابی رفتار داده¬ها استفاده می¬کند. RETIFIS ارزش برابری بین اطلاعات ورودی و خروجی قائل است، به طوری که در فرآیند یادگیری خود، از اطلاعات خروجی واقعی در قسمت IF فازی استفاده می¬کند. RETIFIS بین دو مفهوم دسته و قاعده فرق قائل شده است و دسته¬ها در شرایط خاصی به سطح قاعده می-رسند. RETIFIS با توجه به گسترش سریعی که در پایگاه قواعد خود دارد، پایگاه قواعد متراکمی همراه با دقت بالا در مدلسازی ایجاد می¬کند که این پایگاه قواعد متراکم باعث افزایش سرعت الگوریتم و ایجاد بار محاسباتی اندک در ساخت الگوریتم می¬شود و این مهم حتی در شرایط وجود ابعاد بالا نیز صادق است. RETIFIS برای ساخت مدل خود از روش¬های Pruning/Merging که در اکثر الگوریتم ها برای کم کردن تعداد ساختار استفاده می¬شود، استفاده نمی¬کند و درعین حال که عملکرد مدل RETIFIS به صورتی است که دارای پایگاه قواعد متراکم است، با حذف نکردن ساختار خود باعث می¬شود حافظه و دانش خود را نسبت به اطلاعاتی که از قبل بدست آورده حفظ کند. RETIFIS در حالی که نسبت به دریافت اطلاعات جدید انعطاف¬پذیر (Plasticity) است، از دانش قبلی خود نیز بخوبی محافظت می¬کند (Stability) و به مشکلات فراموشی دانش قبلی خود دچار نمی¬شود. در پایان عملکرد الگوریتم RETIFIS بر روی سه بنچمارک مختلف بررسی شد که نشان می¬دهد در میان الگوریتم¬ها به صورت کاملا رقابتی عمل می¬کند و به خوبی توانایی ردیابی سیستم¬های دینامیکی را دارد.
کلمات کلیدی: TLS – Robust EFS – Intelligent System – Robust Online Identification - RETIFIS


14 بهمن 1397 / تعداد نمایش : 2415