بررسی و تحقیق درزمینه افزایش بازدهی انرژی به علت کمبود انرژی یکی از اهداف عمده کشورهای صنعتی و در حال رشد می باشد. در این پژوهش هدف اصلی افزایش بازده انرژی در سیستم های مبدل حرارتی می باشد. در بحث مبدل های حرارتی افزایش بازده انرژی با پیاده سازی الگوریتم های کنترلی که بتوانند میزان فرا جهش و زیر جهش و همچنین نوسانات غیرضروری در میزان انرژی ورودی به سیستم را کاهش دهند امکان پذیر می باشد. برای دستیابی به این مهم باید سیستم کنترلی به صورتی طراحی شود که پارامترهای آن متناسب با زمان و دینامیک سیستم تغییر کند و عملاً انعطاف پذیری بیشتری نسبت به تغییرات دینامیکی سیستم داشته باشد. بدین منظور در این پژوهش در مرحله اول به طراحی کنترل کننده فازی عصبی با آموزش پسخور خطا می پردازیم، سپس به بررسی نتایج عملکرد سیستم به همراه کنترل کننده فازی عصبی طراحی شده و کنترل کننده های کلاسیک و نتایج تحقیقات سایر مقالات خواهیم پرداخت. در ادامه پس از بیان مزایای رهیافت کنترلی مطرح شده نسبت به سایر رهیافت های کنترلی در این پژوهش به طراحی کنترل کننده فازی عصبی با آموزش پسخور خطا بر اساس تابع لیاپانوف به جهت تضمین پایداری می پردازیم که خود شامل طراحی تابع لیاپانوف و اثبات آن و درنهایت استخراج قوانین آموزش پارامترها می باشد. درنهایت به بررسی سیستم و طراحی کنترل کننده موردنظر در حضور اغتشاشات سنگین بر اساس تابع لیاپانوف و بررسی عملکرد سیستم به همراه کنترل کننده طراحی شده در این بخش و بخش قبل خواهیم پرداخت.

در این پایان نامه ساختارهای جدیدی بر اساس توابع چبیشف و خانواده ی توابع ویولت بر اساس دیدگاه narmax ارائه شده که برای اهداف شناسایی سیستم و پیش بینی سری های زمانی غیر خطی کاربرد دارند. ساختارهای ارائه شده در این تحقیق شامل ترکیبات مختلف توابع چبیشف، توابع از خانواده ی ویولت، بسط hdmr و روش های آنالیز باقیمانده می باشند. این ساختارها حاصل ترکیب مدل های پارامترخطی و شبکه های عصبی غیرخطی بوده و قابلیت تخمین سریع و بهینه ی پارامترها با استفاده از الگوریتم های کمترین مربعات را دارند. در ساختارهای ارائه شده برای کاهش حجم محاسبات و افزایش مقاومت در مقابل نویز از دیدگاه hdmr استفاده شده است. با استفاده از روش آنالیز باقیمانده، دقت نهایی شبکه ی پیشنهادی افزایش و ابعاد ورودی مورد نیاز کاهش یافته است. برای داده های با نویز کم مشاهده شد که آنالیز باقیمانده نتایجی چشمگیر را ارائه می دهد. برای تخمین پارامترهای مدل های پارامترخطی از الگوریتم ofr استفاده شده که سریع، مقاوم به ماتریس های بدحالت و بسیار انعطاف پذیر است. نتایج شبیه سازی ها همگی بر کاربردی بودن ساختار معرفی شده دلالت دارند. سرعت نسبتا بالا، قابلیت پیاده سازی به هنگام، مقاوم بودن به نویز، قابلیت تقریب سراسری، قابلیت محلی سازی و انعطاف پذیری روش های پیاده سازی از جمله خواص مهم ساختارهای ارائه شده است.