18466

۱۸۴۶۶

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

دكتري تخصصي

كنترل

دي ماه ۱۳۹۶

دكتر محمد فرخي

برق

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.

1396/11/24

1/15/2018 12:00:00 AM

In real world, many physical systems are of noninteger order (also known as fractional order) or can be modelled by less parameters as compared to integer order modeling. On the other hand, neural networks are universal approximators that have been widely employed for the identification of multi-input single-output nonlinear systems. Besides, among block-oriented models, the Hammerstein model has attracted the most attention because of its simplicity and acceptable modeling. Moreover, in practice, measured data are usually contaminated by different types of noises and disturbances such as outliers. Outliers are defined as large deviations from the standard data range and may be referred to as large perturbations, impulsive noises, missing data, or non-Gaussian noises. Accordingly, the subject of this thesis is to achieve a simple, accurate and practical identification of nonlinear dynamic systems in presence of outliers, by the introduction of the Neuro-Fractional Order Hammerstein (NFOH) modelling. Herein, a two-stage frequency-time domain identification procedure has been proposed. In the first stage of identifiacation, recorded time domain data are transformed to the frequency domain and then fractional order and degree of the linear dynamic subsysytem of the Hammerstein model are identified on the basis of constrained optimization. Afterwards, the state space matrices/vectors of the NFOH are estimated in the time domain based on the Lyapunov stability theorem. Furthermore, when the recorded output is contaminated with the additive outliers, ununiform discrete Fourier transform is proposed in the frequency domain stage, and the piecewise/kernel-based Lyapunov function is introduced in the time domain identification. Stability and convergence analysis of the proposed modelling scheme are carried out and are verified throughout some simulational and experimental examples.