كنترل معكوس مستقيم مبتني بر شبكه ي عصبي فازي ديناميك مقاوم در برابر نقص محاسباتي با استفاده از تحمل نقص مبتني بر الگوريتم

در اين مقاله، الگوريتمي ارائه شده است كه يك كنترل كننده ي معكوس مستقيم مبتني بر شبكه عصبي فازي ديناميك (DFNN) مقاوم در برابر نقص را پياده سازي كند. اين الگوريتم كنترلي با الهام از روش كنترل معكوس مستقيم، از الگوريتم يادگيري DFNN به عنوان تخمين گر ديناميك معكوس يك فرآيند تحت كنترل استفاده مي كند و سپس با استفاده از يك DFNN ديگر، يك كنترل كننده در مسير مستقيم FeedForward با دينامك عكس ديناميك فرآيند قرار مي دهد. تخمين گر و كنترل كننده DFNN براساس شبكه عصبي تابع پايه شعاعي گسترده ساخته شده و عملكرد آنها معادل يك سيستم فازي TSK است كه داراي سرعت يادگيري سريعتر و ساختار شبكه فشرده تر با عملكرد تقريبي و تعميم بالا است. از آنجا كه اين كنترل كننده ي هوشمند با الگوريتم تشخيص نقص از طريق افزونگي داده ها، از آسيب هاي ناشي از نقص، مقاوم مي شود يا به عبارت ديگر تحمل نقص مبتني بر الگوريتم را براي محاسبات خود اعمال مي كند، بنابراين در هنگام انجام كنترل، قادر به تشخيص و تصحيح خطاهاي دائمي و گذرا در عمليات ماتريسي مربوط به محاسبات كنترلي است. در نهايت، در اين مقاله، كاركرد اين الگوريتم در كنترل و شناسايي سيستم ديناميكي غيرخطي از طريق شبيه سازي بررسي شده است كه كارايي آن در انجام عمليات كنترل قابل مشاهده است. هر الگوريتم زمان اجراي خاص خود را دارد كه از موارد مهم قابل بررسي در طراحي الگوريتم است و كارايي آن از روي زمان اجراي آن بررسي مي شود. زمان اجراي الگوريتم مقاوم شده در برابر نقص در حضور نقص و عدم حضور نقص متفاوت است كه زمان اجرا و كارايي هر دو به هنگام اجراي الگوريتم ها در اين تحقيق بررسي و گزارش شده است.