V članku je predstavljena nova metoda za identifikacijo intervala zaupanja za mehki model tipa Takagi-Sugeno v primeru, ko imamo opravka s podatki, ki se jim varianca po področju spreminja. Metoda združuje mehko identifikacijo in nekatere ideje s področja uporabne statistike. Bistvo pristopa je v določitvi zgornje in spodnje meje intervala zaupanja iz končnega nabora podatkov, tj. intervala, ki opisuje pas, v katerem imajo merjeni podatki določeno stopnjo zaupanja. Metoda je uporabna za opis družine negotovih nelinearnih funkcij ali pri obravnavi sistemov z negotovimi fizikalnimi parametri. V našem primeru je uporaba prikazana na modelu titracijske krivulje pH.
COBISS.SI-ID: 8208724
Članek obravnava problem mehke nelinearne identifikacije v okviru mreže lokalnih modelov. Predlagana je nova iterativna metoda za identifikacijo, pri kateri je združeno nadzorovano in nenadzorovano učenje z namenom optimizacije strukture mreže lokalnih modelov. Za prilagajanje središč rojev nelinearnosti procesa je uporabljen algoritem mehkega rojenja Gustavsson-Kessel (GK), tj. nenadzorovano učenje. V povezavi s postopkom učenja mreže lokalnih modelov je vpeljana nova inkrementalna metoda za določitev števila in začetnih središč rojev za algoritem GK. Vsak roj podatkov ustreza lokalnemu podpodročju procesa in se modelira z lokalnim linearnim modelom. Ker se pripadnostne funkcije določajo na podlagi kovariančnih matrik rojev, so zelo prilagodljive in zato lahko proces modeliramo z majhnim številom lokalnih modelov. Delovanje predlagane metode za izpeljavo mreže lokalnih modelov smo preverili na procesu absorbcije zdravil. Primerjava rezultatov poskusov z metodama lolimot in hilomot dokazuje uporabnost predlagane identifikacijske metode.
COBISS.SI-ID: 8730708
Članek obravnava nov nadzorovani hierarhični algoritem rojenja za identifikacijo mehkih modelov SUHICLUST. Predstavljeni algoritem rešuje problem globalne natančnosti modela in interpretacije lokalnih modelov kot ustreznih lokalnih linearnih aproksimacij modeliranega nelinearnega sistema. Algoritem združuje prednosti nadzorovanih hierarhičnih algoritmov, ki so osnovani na hevristični gradnji dreves, s prednostmi mehkega rojenja. S prilagodljivimi pripadnostnimi funkcijami, ki jih dobimo z mehkim rojenjem v povezavi z nadzorovanim učenjem in so neodvisne od inicializacije, lahko izpeljemo model, ki ni kompleksen, hkrati pa ustrezno zajame lastnosti modeliranega procesa. Poleg tega je uporaba metode SUHICLUST zelo nezahtevna, saj – za razliko od več drugih metod – zagotavlja ponovljive rezultate. Za smiselne rezultate mora uporabnik določiti le največje število lokalnih modelov ali najmanjšo dovoljeno natančnost globalnega modela, kar predstavlja kriterij za ustavitev algoritma. Regularizacja se natančno določi z gladkostjo interpolacije. Delovanje je prikazano na analitičnem primeru in primerih iz literature.
COBISS.SI-ID: 8730964