fa یک الگوریتم یادگیری ترکیبی جهت طراحی شبکه های موجک فازی برای تقریب توابع، شناسایی و کنترل بهنگام سیستم های غیرخطی تخصصي Special پژوهشي Research paper در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجکها به منظور انتخاب موجکهای مؤثرو تعیین تعداد قوانین فازی استفاده می شود. بدین ترتیب با انتخاب موجکهای مؤثر بر اساس داده های آموزشی شبکه موجک فازی ساخته شده و مقادیر اولیه پارامترهای شبکه تعیین می شوند. سپس پارامترهای خطی و غیرخطی شبکه به ترتیب با استفاده از روش حداقل مربعات بازگشتی و الگوریتم جهش قورباغه ها تنظیم می گردند. برای نشان دادن قابلیت و توانایی روش پیشنهادی، نتایج شبیه سازی در طی چند مثال برای تقریب تابع، کنترل و شناسایی سیستم های غیرخطی آورده شده است. همچنین، نتایج بدست آمده از این روش با نتایج روش های گزارش شده در مقالات دیگر نیز مقایسه شده است. نتایج شبیه سازی نشان می دهند که روش پیشنهادی مقاله، ضمن استفاده از تعداد قانون فازی کمتر، صحت تقریب و شاخص عملکرد مدل را بهبود بخشیده و از عملکرد بهتری برای سیستم های مورد مطالعه، در مقایسه با سایر روشها، برخوردار است In this paper, a hybrid learning algorithm is presented for fuzzy wavelet networks (FWNs) design for functions approximation, online identification and control of nonlinear systems. The proposed algorithm is based on orthogonal least square (OLS) algorithm, Shufled Frog Leaping (SFL) algorithm and recursive least square method (RLS). The OLS algorithm is used for determine network dimensions, number of fuzzy rules and wavelets in each fuzzy rule and for purifying wavelets in each sub-WNN. So, after selection of important wavelets based on training data set, FWN structure is constructed and initial values of the network parameters are determined. Then linear and nonlinear parameters of the network are tuned based on recursive least square method and SFL algorithm, respectively. In order to show the capabilities and effectiveness of the proposed method, simulation results are presented for some example: function approximation, online identification and control of nonlinear systems. Also, the results obtained by the proposed approach are compared with the previous approaches reported in the literature. Simulation results show that the proposed method improves model approximation accuracy and performance index by using less number of fuzzy rules compare to other methods for study systems. شبکه های موجک فازی, الگوریتم جهش قورباغه ها, تقریب توابع, شناسایی و کنترل سیستم های غیرخطی Fuzzy Wavelet Networks, Shuffled Frog Leaping Algorithm, Functions Approximation, Identification and Control of Nonlinear System. 14 26 http://joc.kntu.ac.ir/browse.php?a_code=A-10-1-32&slc_lang=fa&sid=1 Maryam Shahriari Kahkeshi مریم شهریاری کاهکشی m.shahriyarikahkeshi@ec.iut.ac.ir 1003194753284600202 1003194753284600202 Yes دانشگاه صنعتی اصفهان Maryam Zekri مریم ذکری mzekri@cc.iut.ac.ir 1003194753284600203 1003194753284600203 No دانشگاه صنعتی اصفهان