MIMO modellek identifikációja és analízise csoportosítási algoritmus segítségével

Szerzők

  • Feil Balázs University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158 , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.
  • Abonyi János University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158 , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158. https://orcid.org/0000-0001-8593-1493 (unauthenticated)
  • Németh Sándor University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158 , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158. https://orcid.org/0000-0003-1881-4216 (unauthenticated)
  • Árva Péter University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158 , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.
  • Madár János University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158 , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.

Kulcsszavak:

MIMO modell, csoportosítási algoritmus, állapottér-rekonstrukció, kaotikus idősorok

Absztrakt

Nemlineáris több bemenetű-több kimenetű (MIMO) rendszerek modell-identifikációja fontos és kihívásokkal teli probléma. Fuzzy modellek hatékonyan alkalmazhatók komplex nemlineáris dinamikus rendszerek esetén, de többnyire egy bemenetű-egy kimenetű modellekre találunk példákat az irodalomban. Ez a cikk olyan kompakt Takagi-Sugeno fuzzy modell identifikációját mutatja be, amely dinamikus MIMO rendszereket is képes reprezentálni. Ennek a modellnek az identifikációjához fuzzy csoportosítási algoritmust fejlesztettünk ki. Az esettanulmány mutatja, hogy a javasolt algoritmus hasznos és hatékony eszköz dinamikus rendszerek dimenziójának meghatározásában is. Ez a lépés kulcsfontosságú nemlineáris és kaotikus idősorok analízise és predikciója esetén is. A csoportosítást a kimeneti változók időkésleltetett tagjai által definiált ún. rekonstrukciós térben alkalmaztuk. A javasolt módszer nagy előnye, hogy három feladatot lehet megoldani a csoportosítás alkalmazásával szimultán módon: a helyes és a lokális dimenzió meghatározását, továbbá a predikcióhoz is használható modell identifikációját. A lokális dimenzió a fuzzy kovariancia mátrixok sajátértékeinek analíziséből becsülhető, míg a helyes állapottér-dimenzió a csoportok által definiált lokális modellek predikciós teljesítménye alapján állapítható meg.

Információk a szerzőről

  • Abonyi János, University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O. Box 158, Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8201 Veszprém, Pf. 158.

    levelezőszerző
    abonyij@fmt.vein.hu

Hivatkozások

Abonyi, J., Babuska, R. (2000). Local and global identification and interpretation of parameters in Takagi-Sugeno fuzzy models. In Proceedings IEEE International Conference on Fuzzy Systems, San Antonio, USA. https://doi.org/10.1109/FUZZY.2000.839140

Abonyi, J., Szeifert, F. (2002) Modified Gath-Geva fuzzy clustering for identification of Takagi-Sugeno fuzzy models. IEEE Transactions on Systems, Man and Cybernetics, Part B., in print. https://doi.org/10.1109/TSMCB.2002.1033180

Adeli, H., Jiang, X. (2003). Fuzzy clustering approach for accurate embedding dimension identification in chaotic time series. Integrated Computer-Aided Engineering, 10(3), 287–302. https://doi.org/10.3233/ICA-2003-10305

Babuska, R. (1998). Fuzzy Modeling for Control. Kluwer Academic Publishers, Boston. https://doi.org/10.1007/978-94-011-4868-9

Babuska, R., Verbruggen, H. B. (1997). Fuzzy set methods for local modeling and identification. In R. Murray-Smith and T. A. Johansen, editors, Multiple Model Approaches to Nonlinear Modeling and Control, 75–100. Taylor & Francis, London, UK.

Bezdek, J. C., Howard, R. E., Wilson, C. A., Windham, M. P., Hathaway, R. J. (1987). Local convergence analysis of a grouped variable version of coordinate descent. Journal of Optimization Theory and Applications, 71. 471–477. https://doi.org/10.1007/BF00940196

Cadzow, J. A., Liang, G., Wilkes, D. M. (1993). ARMA model order estimation based on the eigenvalues of the covariance matrix. IEEE Transactions on Signal Processing, 41(10), 3003–3009. https://doi.org/10.1109/78.277805

Gath, I., Geva, I. (1989). Unsupervised optimal fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 773–781. https://doi.org/10.1109/34.192473

Gershenfeld, N., Schoner, I. B., Metois E. (1999). Cluster-weighted modelling for time-series analysis. Nature, 397. 329–332. https://doi.org/10.1038/16873

Gustafson, D. E., Kessel W. C. (1979). Fuzzy clustering with fuzzy covariance matrix. In Proceedings of the IEEE CDC, San Diego, 761–766.

Hathaway, R. J., Bezdek, J. C. (1993). Switching regression models and fuzzy clustering. IEEE Transactions on Fuzzy Systems, 1(3), 195–204. https://doi.org/10.1109/91.236552

Hoppner, F., Klawonn, F., Kruse, R., Runkler, T. (1999). Fuzzy Cluster Analysis - Methods for Classification, Data Analysis and Image Recognition. John Wiley and Sons.

Kim, E., Park, T. M., S. Kim, S. (1998). A transformed input-domain approach to fuzzy modeling. IEEE Transactions on Fuzzy Systems, 6(4), 596–604. https://doi.org/10.1109/91.728458

Murray-Smith, R., Johansen, T. A. editors. (1997). Multiple Model Approaches to Nonlinear Modeling and Control. Taylor & Francis, London, UK.

Takagi, T., Sugeno, M. (1985). Fuzzy identification of systems and its application to modeling and control. IEEE Transactions on Systems, Man and Cybernetics, 15(1), 116–132. https://doi.org/10.1109/TSMC.1985.6313399

Takens, F. (1981). Detecting strange attractor in turbulence. Rand, D. A., Young, L. S. (Eds.), Dynamical Systems and Turbulence, Springer, Berlin, 366–381. https://doi.org/10.1007/BFb0091924

Yao, W. (2002). Improving Security of Communication via Chaotic Synchronization. Phd thesis, the University of Western Ontario.

Letöltések

Megjelent

2004-10-15

Folyóirat szám

Évf. 8 szám 3 (2004): Acta Agraria Kaposváriensis

Rovat

Cikkek

License

Copyright (c) 2004 Feil Balázs, Abonyi János, Németh Sándor, Árva Péter, Madár János

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Hogyan kell idézni

Feil, B., Abonyi, J., Németh, S., Árva, P., & Madár, J. (2004). MIMO modellek identifikációja és analízise csoportosítási algoritmus segítségével. Acta Agraria Kaposváriensis, 8(3), 191-203. https://journal.uni-mate.hu/index.php/aak/article/view/1726

Ugyanannak a szerző(k)nek a legtöbbet olvasott cikkei

1 2 > >>