ندا محمودی جهرمی - دانشجوی کارشناسی ارشد مهندسی برق - کنترل، دا نشگاه خلیج فارس دانشکده مهندسی سیستمهای هوشمند و علوم داده؛
امین ترابی جهرمی - عضو هیات علمی مهندسی برق - کنترل ، دانشگاه خلیج فارس دانشکده مهندسی سیستمهای هوشمند و علوم داده
ولی اله غفاری - عضو هیات علمی مهندسی برق - کنترل ، دانشگاه خلیج فارس دانشکده مهندسی سیستمهای هوشمند و علوم داده

در این مقاله، الگوریتمی ارائه شده است که یک کنترل کننده ی معکوس مستقیم مبتنی بر شبکه عصبی فازی دینامیک (DFNN) مقاوم در برابر نقص را پیاده سازی کند. این الگوریتم کنترلی با الهام از روش کنترل معکوس مستقیم، از الگوریتم یادگیری DFNN به عنوان تخمین گر دینامیک معکوس یک فرآیند تحت کنترل استفاده می کند و سپس با استفاده از یک DFNN دیگر، یک کنترل کننده در مسیر مستقیم FeedForward با دینامک عکس دینامیک فرآیند قرار می دهد. تخمین گر و کنترل کننده DFNN براساس شبکه عصبی تابع پایه شعاعی گسترده ساخته شده و عملکرد آنها معادل یک سیستم فازی TSK است که دارای سرعت یادگیری سریعتر و ساختار شبکه فشرده تر با عملکرد تقریبی و تعمیم بالا است. از آنجا که این کنترل کننده ی هوشمند با الگوریتم تشخیص نقص از طریق افزونگی داده ها، از آسیب های ناشی از نقص، مقاوم می شود یا به عبارت دیگر تحمل نقص مبتنی بر الگوریتم را برای محاسبات خود اعمال می کند، بنابراین در هنگام انجام کنترل، قادر به تشخیص و تصحیح خطاهای دائمی و گذرا در عملیات ماتریسی مربوط به محاسبات کنترلی است. در نهایت، در این مقاله، کارکرد این الگوریتم در کنترل و شناسایی سیستم دینامیکی غیرخطی از طریق شبیه سازی بررسی شده است که کارایی آن در انجام عملیات کنترل قابل مشاهده است. هر الگوریتم زمان اجرای خاص خود را دارد که از موارد مهم قابل بررسی در طراحی الگوریتم است و کارایی آن از روی زمان اجرای آن بررسی می شود. زمان اجرای الگوریتم مقاوم شده در برابر نقص در حضور نقص و عدم حضور نقص متفاوت است که زمان اجرا و کارایی هر دو به هنگام اجرای الگوریتم ها در این تحقیق بررسی و گزارش شده است.

شبکه عصبی فازی دینامیکی،یادگیری خودسازماندهی آنلاین،تحمل نقص،سیستم فازی TSK،کنترل کننده،تحمل نقص مبتنی بر الگوریتم