SavedAdd your journal

Journals / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 9 - Sayı: 2

SİSTEM KİMLİKLENDİRME İÇİN GELİŞTİRİLEN BİR WIENER MODEL

AN IMPROVED WIENER MODEL FOR SYSTEM IDENTIFICATION

Selçuk METE
HASAN ZORLU
Şaban ÖZER
Pages
796–810
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Simülasyon sonuçları, önerilen modelin başarısını ortaya koymaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Wiener blok yapısı doğrusal ve doğrusal olmayan modellerin kaskad bağlanması ile oluşturulmaktadır.
📊
Key Findings & Data:Simülasyonlarda, önerilen model ile dört farklı sistem tipi kimliklendirilmiştir.
💡
Conclusion & Impact:Simülasyon sonuçları, önerilen modelin başarısını ortaya koymaktadır.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

Wiener blok yapısı doğrusal ve doğrusal olmayan modellerin kaskad bağlanması ile oluşturulmaktadır. Bu çalışmada sistem kimliklendirme alanı için yeni ve geliştirilmiş bir Wiener model yapısı sunulmuştur. Önerilen yapıda, doğrusal kısım olarak Sonlu Darbe Cevaplı model, doğrusal olmayan kısım olarak Esnek Anahtarlama Temelli Hibrit (EATH) model kullanılmıştır. EATH yapısı, doğrusal olmayan ikinci derece bir Volterra model, doğrusal olmayan hafızasız bir polinom model ve bir bulanık sinir ağı temelli esnek anahtarlama mekanizmasından oluşmaktadır. Simülasyonlarda, önerilen model ile dört farklı sistem tipi kimliklendirilmiştir. İlave olarak, bu sistemleri kimliklendirmek için literatürde yeralan Volterra ve Wiener modellerde ayrıca kullanılarak önerilen modelin performansı ile karşılaştırılmıştır. Simülasyon sonuçları, önerilen modelin başarısını ortaya koymaktadır.

Özet

Wiener block structure is formed by cascade of linear and nonlinear models. A novel and improved Wiener model structure for system identification area is proposed in this study. In proposed Wiener model, Finite Impulse Response (FIR) model is used as linear part and Soft Switching based Hybrid (SSH) model is used as nonlinear part. The SSH structure consists of a Second Order Volterra (SOV) nonlinear model, a Memoryless Polynomial (MP) nonlinear model, and a soft-switching part through a Neuro-Fuzzy (NF) network. In simulation studies, different types systems are identified by presented novel model. In addition to the mentioned identified systems, the performance of the improved model is also compared with Volterra model and Wiener models presented in the literature. Simulation results find out the success of the proposed model.

🔖

Cite This Article

METE, S., ZORLU, H., ÖZER, Ş. (2020). SİSTEM KİMLİKLENDİRME İÇİN GELİŞTİRİLEN BİR WIENER MODEL. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 9 - Sayı: 2, 796–810. https://ajindex.com/articles/290113

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (9)

  1. S. Bagis, “System modelling by using artificial intelligence algorithms,” M. S. thesis, Erciyes University, Kayseri, Turkey, 2009
  2. F. Guo, “A new identification method for wiener and hammerstein systems,” Dissertation thesis, Karlsruhe University, Germany, 2004
  3. T. Schweickhardt and F. Allgower, “On system gains, nonlinearity measures, and linear models for nonlinear systems,” IEEE Transactions on Automatic Control, vol. 54, pp. 62-78, 2009
  4. N.B. Hızır, M.Q. Phan, R. Betti and R.W. Longman, “Identification of discrete-time bilinear systems through equivalent linear models,” Nonlinear Dynamics, vol. 69, pp. 2065-2078, 2012
  5. Ö. Erçin and R. Çoban, “Identification of linear dynamic systems using the artificial bee colony algorithm,” Turk J Elec Eng & Comp Sci., vol. 20, pp. 1175-1188, 2012
  6. X. Hong, R.J. Mitchell, S. Chen, C.J. Harris, K. Li and G.W. Irwin, “Model selection approaches for nonlinear system identification: a review,” International Journal of Systems Sci., vol. 39, pp. 925-946, 2008
  7. Ş. Özer and H. Zorlu, “Identification of bilinear systems using differential evolution algorithm,” Sadhana Academy Proceedings in Engineering Sciences, vol. 36, pp. 281-292, 2011
  8. C.S. Manohar and D. Roy, “Monte Carlo filters for identification of nonlinear structural dynamical systems,” Sadhana Academy Proceedings in Engineering Sciences, vol. 31, pp. 399-427, 2006
  9. A. Rahrooh and S. Shepard, “Identification of nonlinear systems using NARMAX model,” Nonlinear Analysis, vol. 71, pp. 1198-1202, 2009. [10]A. Naitali and F. Giri, “Wiener–Hammerstein system identification an evolutionary approach,” International Journal of Systems Science, vol. 47, pp. 45-61, 2015. [11]F. Ding, Y. Wang and J. Ding, “Recursive least squares parameter identification algorithms for systems with colored noise using the filtering technique and the auxilary model,” Digital Signal Processing, vol. 37, pp. 100-108, 2015. [12]F. Ding, X.P. Liu and G. Liu, “Identification methods for Hammerstein nonlinear systems,” Digital Signal Processing, vol. 21, pp. 215-238, 2011. [13]P. Chelka, N.J. Bershad and J.M. Vesin, “Fluctuation analysis of stochastic gradient identification of polynomial Wiener systems,” IEEE Transactions on Signal Processing, vol. 48, pp. 1820-1825, 2000. [14]C. Zhijun and B. Er-Wei, “How nonlinear parametric Wiener system identification is under Gaussian inputs ?,” IEEE Transactions on Automatic Control, vol. 57, pp. 738-742, 2011. [15]S.H. Hwan