عنوان پایان‌نامه
یادگیری کنترل توجه در شناسایی مدل های نروفازی تکاملی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2185;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56940
- تاریخ دفاع
- ۱۸ دی ۱۳۹۱
- دانشجو
- سارا علیزاده
- استاد راهنما
- مجید نیلی احمدآبادی, بابک نجاراعرابی
- چکیده
- اگرچه سیستم های فازی و نروفازی تکاملی تا کنون در بسیاری از مسائل مدلسازی و شناسایی سیستم با موفقیت بکار رفته اند؛ با این وجود هنوز محدودیت هایی در تعریف، شناسایی ساختار و انتخاب ورودی های موثر دارند. به عبارت دیگر، تحلیل ورودی ها به قصد انتخاب ورودی های موثر در اکثر روش های شناسایی برخط مبتنی بر قواعد فازی یا نادیده انگاشته شده و یا بصورت برون خط و در یک فاز جداگانه (قبل از ورود به مساله شناسایی) مورد بررسی قرار گرفته است. در این پایان نامه، یک ساختار شناسایی برخط، مبتنی بر سیستم های فازی تکاملی، با قابلیت انتخاب هم زمان ورودی ارائه می دهیم. جهت تعیین ورودی های موثر دو رویکرد انتخاب سراسری و انتخاب محلی دنبال می شود. در انتخاب سراسری ورودی، تعدادی از متغیرهای ورودی برای کل فضای داده ورودی انتخاب میشوند و رفتار سیستم بر اساس آن ها مدل می شود؛ در حالی که در انتخاب محلی ورودی، زیرمجموعه های مختلفی از ورودی های بالقوه در نواحی مختلف فضای داده ورودی انتخاب میشوند. در رویکرد اول، یک مدل برای تحلیل ورودی ها پیشنهاد می¬شود. ایده اصلی در توسعه چنین مدلی استفاده از پارامترهایی تحت عنوان تنظیم کننده ورودی و سپس الحاق آن ها به ساختار رایج تاکاگی سوگنو است. به این معنی که متناظر با هر ورودی یک پارامتر در بازه [0,1] در نظر گرفته می شود که مقدار آن با میزان اهمیت ورودی نظیر متناسب است. در رویکرد دوم که نگاه محلی به متغیرهای ورودی دارد مدلی تحت عنوان سیستم استنباط فازی نامتجانس تکاملی برای انتخاب محلی ورودی ها پیشنهاد می شود. این رویکرد که حاصل توسعه رویکرد اول است از پارامترهایی به نام انتخاب کننده محلی ورودی استفاده می کند. مقدار یک برای هر انتخاب کننده محلی به معنای موثر بودن ورودی متناظر آن و مقدار صفر به معنای زائد بودن این ورودی در زیرناحیه محلی مربوطه است. برای یادگیری انتخاب کننده های محلی ورودی از یک مکانیزم یادگیری برخط مبتنی بر سوییچ به یک مدل همسایه استفاده می شود. عملکرد ساختارهای ارائه شده طی چندین آزمایش بر روی داده های دست ساز و نیز داده های واقعی مربوط به پیش بینی حداکثر بار الکتریکی مصرفی در یک شبکه مورد آزمایش قرار گرفت. این آزمایش ها صحت عملکرد مدل پیشنهادی برای انتخاب محلی ورودی و کاهش خطای پیش بینی را نشان دادند.
- Abstract
- Although evolving fuzzy and neuro-fuzzy systems have been successfully applied in many modeling and system identification applications, they usually lack a proper mechanism for simultaneous input selection and structure identification. In other words, most methods of fuzzy rule-based system identification either ignore input selection or do it in an offline separate phase. In this thesis, a novel evolving fuzzy system is introduced which can simultaneously do input selection and system identification in an integrative manner. Two general input selection approaches are adopted: global input selection and local input selection. In global input selection schema, a subset of available input variables is selected for all operating regimes while in local input selection approach various subsets of input variables are selected locally for different domains of input data space. In the first approach, an evolving fuzzy system for global input analysis is proposed by modifying the commonly used Takagi-Sugeno rule structure. The input analysis is realized by introducing an input modulator for each input variable showing the significance of the corresponding input. The input modulators could take values between 0 (indicating indifferent input variables) and 1 (indicating important input variables). The second approach for local input selection takes advantage of the same idea by using different local input selectors for each input variable in each rule. This idea led into introducing a new fuzzy inference structure referred to as evolving Heterogeneous Fuzzy Inference System (eHFIS). To learn the local input selectors, in this thesis, an online learning scheme based on switching to a neighboring model is adopted. The performance of the proposed methods is studied through several experiments on handmade as well as real life datasets regarding forecasting maximum load in an electrical network. The results indicate the successful functionality of the proposed method in online input selection and reducing the prediction error.
