Fuzzy Model Identification: Selected Approaches

این جلد با دقت ویرایش شده مجموعه ای از کارهای اخیر را در شناسایی مدل فازی ارائه می دهد. زمینه شناسایی فازی را به روی نظریه پردازان کنترل مرسوم به عنوان مکمل رویکردهای موجود می گشاید، جنبه های الگوریتمی و عملی مجموعه ای از تکنیک های شناسایی جدید را در اختیار مهندسان کنترل مجرب قرار می دهد و بر فرصت هایی برای یک نظریه سیستماتیک تر و منسجم تر از شناسایی فازی تاکید می کند. گردآوری روش‌های مبتنی بر تکنیک‌های مختلف، اما با هدف شناسایی انواع مشابه از مدل‌های فازی.
در مهندسی کنترل، مدل‌های ریاضی اغلب ساخته می‌شوند، برای مثال بر اساس معادلات دیفرانسیل یا تفاوت یا مشتق از قوانین فیزیکی بدون استفاده از داده‌های سیستم. (مدل های جعبه سفید) یا استفاده از داده ها اما بدون بینش (مدل های جعبه سیاه). در این جلد، نویسندگان ترکیبی از این مدل‌ها را از میان انواع ساختارهایی که در کاربردها انعطاف‌پذیر و موفق هستند، انتخاب می‌کنند. آن‌ها مدل‌های ممدانی، تاکاگی-سوگنو و تک‌تون را در نظر می‌گیرند و از روش‌های شناسایی مانند خوشه‌بندی، شبکه‌های عصبی، الگوریتم‌های ژنتیک و یادگیری کلاسیک استفاده می‌کنند. تکنیک شناسایی با الگوریتم هایی که به خواننده کمک می کند تا روش های ارائه شده را در محیط خود برای حل مسائل دنیای واقعی اعمال کند. علاوه بر این، هر نویسنده یک مثال عملی ارائه می‌کند تا نشان دهد روش ارائه شده چگونه کار می‌کند، و با مسائل مربوط به دانش قبلی، پیچیدگی مدل، استحکام روش شناسایی، و کاربردهای دنیای واقعی سروکار دارد.

This carefully edited volume presents a collection of recent works in fuzzy model identification. It opens the field of fuzzy identification to conventional control theorists as a complement to existing approaches, provides practicing control engineers with the algorithmic and practical aspects of a set of new identification techniques, and emphasizes opportunities for a more systematic and coherent theory of fuzzy identification by bringing together methods based on different techniques but aiming at the identification of the same types of fuzzy models.
In control engineering, mathematical models are often constructed, for example based on differential or difference equations or derived from physical laws without using system data (white-box models) or using data but no insight (black-box models). In this volume the authors choose a combination of these models from types of structures that are known to be flexible and successful in applications. They consider Mamdani, Takagi-Sugeno, and singleton models, employing such identification methods as clustering, neural networks, genetic algorithms, and classical learning.
All authors use the same notation and terminology, and each describes the model to be identified and the identification technique with algorithms that will help the reader to apply the presented methods in his or her own environment to solve real-world problems. Furthermore, each author gives a practical example to show how the presented method works, and deals with the issues of prior knowledge, model complexity, robustness of the identification method, and real-world applications.