System Identification and Adaptive Control: Theory and Applications of the Neurofuzzy and Fuzzy Cognitive Network Models

این رساله با ارائه روندهای فعلی در توسعه و کاربردهای سیستم های هوشمند در مهندسی، بر نتایج تحقیقات اخیر در شناسایی و کنترل سیستم تمرکز دارد. مدل‌های عصبی فازی مکرر و شبکه شناختی فازی (FCN) ارائه شده‌اند. هر دو مدل برای سیستم‌های پیچیده با زمان متغیر تا حدی شناخته شده یا ناشناخته مناسب هستند. کنترل تطبیقی ​​عصبی فازی حاوی شواهد دقیقی از اظهارات خود است که نتیجه‌گیری مشخصی را برای انتخاب پارامترهای طراحی الگوریتم‌های ارائه شده به دست می‌دهد. مدل عصبی فازی مفاهیمی از سیستم‌های فازی و شبکه‌های عصبی مرتبه بالا مکرر را برای تولید تقریب‌های سیستم قدرتمندی که برای کنترل تطبیقی ​​استفاده می‌شوند، ترکیب می‌کند. مدل FCN از نقشه های شناختی فازی سرچشمه می گیرد و از مفهوم "مفاهیم" و روابط علّی آنها برای به تصویر کشیدن رفتار سیستم های پیچیده استفاده می کند. این کتاب نشان می‌دهد که چگونه با بهره‌مندی از الگوریتم‌های آموزشی مناسب، این مدل‌ها شبیه‌سازهای قدرتمند سیستم هستند که برای استفاده در سیستم‌های مهندسی مناسب هستند. همه فصل‌ها توسط آزمایش‌های شبیه‌سازی گویا پشتیبانی می‌شوند، در حالی که فصل‌های جداگانه‌ای به کاربردهای صنعتی بالقوه هر مدل از جمله پروژه‌ها در موارد زیر اختصاص داده شده است:

• تولید برق معاصر؛

• کنترل فرآیند و< /p>

• مشکلات معیارسنجی مرسوم.

محققان و دانشجویان فارغ التحصیل که در تخمین تطبیقی ​​و کنترل هوشمند کار می کنند، کنترل تطبیقی ​​عصبی فازی را هم برای واحد پول مدل های آن و هم به این دلیل که ارتباط آنها را با سیستم های واقعی این مونوگراف همچنین به مهندسان صنایع نشان می دهد که چگونه کنترل تطبیقی ​​هوشمند را به راحتی با استفاده از نتایج تئوری اثبات شده آزمایش کنند.

Presenting current trends in the development and applications of intelligent systems in engineering, this monograph focuses on recent research results in system identification and control. The recurrent neurofuzzy and the fuzzy cognitive network (FCN) models are presented. Both models are suitable for partially-known or unknown complex time-varying systems. Neurofuzzy Adaptive Control contains rigorous proofs of its statements which result in concrete conclusions for the selection of the design parameters of the algorithms presented. The neurofuzzy model combines concepts from fuzzy systems and recurrent high-order neural networks to produce powerful system approximations that are used for adaptive control. The FCN model stems from fuzzy cognitive maps and uses the notion of “concepts” and their causal relationships to capture the behavior of complex systems. The book shows how, with the benefit of proper training algorithms, these models are potent system emulators suitable for use in engineering systems. All chapters are supported by illustrative simulation experiments, while separate chapters are devoted to the potential industrial applications of each model including projects in:

• contemporary power generation;

• process control and

• conventional benchmarking problems.

Researchers and graduate students working in adaptive estimation and intelligent control will find Neurofuzzy Adaptive Control of interest both for the currency of its models and because it demonstrates their relevance for real systems. The monograph also shows industrial engineers how to test intelligent adaptive control easily using proven theoretical results.