توسعه معيار جامع سنجش كيفيت مدل‌ هاي حاصل از شناسايي سيستم‌هاي هيبريد غيرخطي

Development of A Comprehensive Quality Measure for Identification of Nonlinear Hybrid Systems

در اين مقاله، يك معيار جامع سنجش كيفيت به منظور بررسي عملكرد مدل‌هاي شناسايي شده از سيستم‌هاي هيبريد غيرخطي با روش‌هاي مبتني بر رگرسيون بردار پشتيبان، توسعه داده شده است. معيار سنجش كيفيت پيشنهادي در بردارنده تمامي فاكتورهايي است كه كيفيت مدل شناسايي شده را تحت تاثير قرار مي‌دهد. اين فاكتورها عبارتند از: خطاي شناسايي، كيفيت سيگنال سوئيچ و پيچيدگي مدل. با استفاده از معيار كيفيت توسعه داده شده‌، مي‌توان پاسخ‌هاي حاصل از شناسايي سيستم هيبريد را مقايسه كرده و بهترين مدل بدست آمده كه داراي پيچيدگي معقول بوده، خطاي شناسايي مناسب داشته و كيفيت سيگنال سوئيچ آن مطلوب است را انتخاب نمود. اين معيار كيفيت با لحاظ كردن اصل تيغ اوكام، از انتخاب مدل‌هاي بسيار پيچيده جلوگيري مي‌كند. همچنين امكان مقايسه تاثير توابع كرنل متفاوت بر مدل شناسايي شده را با در نظر گرفتن فاكتورهاي ذكر شده، فراهم مي‌كند.

In this study, a comprehensive quality measure criterion is developed to evaluate the performance of the identified models for nonlinear hybrid systems using support vector regression-based techniques. The proposed quality measure criterion includes all the factors that affect the quality of the identified models, namely identification error, quality of the switching signal, and model complexity. Using the proposed criterion, the resulting models of hybrid systems identification can be efficiently compared and the best model with acceptable complexity, tolerable identification error, and desirable switching signal quality will be selected. This quality measure criterion prevents selecting the complex models relying on the Occam’s Razor theorem. Besides, it provides the possibility of comparing the effects of different kernel functions on the identified models considering the aforementioned factors.