استفاده از قوانین فیزیکی حاکم بر سیستم ها از روش های مرسوم برای بدست آوردن مدل ریاضی سیستم ها می باشد. برای مدل سازی نیاز به روابط فیزیکی سیستم می باشد و این امر می تواند پرهزینه، زمان بر و حتی غیرممکن باشد. چرا که بسیاری از سیستم های صنعتی رفتار غیرخطی متغیر با زمان دارند و یا اطلاعات جامع و تفضیلی از سیستم برای مدل سازی آن با روابط فیزیکی وجود ندارد. حتی در بعضی از سیستم ها وجود دینامیک مدل نشده و عوامل متعدد دیگر، مدل سازی با استفاده از روابط فیزیکی را با دشواری های زیادی روبرو می کند و در نتیجه کنترل آن نیز بسیار دشوار خواهد بود. بنابراین استفاده از سیستم های فازی برای توصیف سیستم و کنترل آن یک روش کارآمد به حساب می آید. سیستم های فازی در طیف وسیعی از علوم و فنون کاربرد پیدا کرده اند از کنترل، ارتباطات، ساخت مدارهای مجتمع و سیستم های خبره گرفته تا بازرگانی، پزشکی و دانش اجتماعی. با این حال یکی از مهمترین کاربردهای آن، حل مسائل و مشکلات کنترلی می باشد. از نقطه نظر عملی، عمده ترین کاربردهای تئوری فازی بر روی کنترل فازی متمرکز شده است. منطق فازی تعمیمی از منطق دو ارزشی متداول است که در منطق دودویی جایی برای واژه هایی همچون "کم"، "زیاد"، "اندکی" و "بسیار" که پایه های اندیشه و استدلال های معمولی انسان را تشکیل می دهند، وجود ندارد. روش پروفسور لطفی زاده برمبنای بکارگیری همین عبارات زبانی است و در آن توابع عضویت در تعیین درجات عضویت نقشی اساسی ایفا می کنند. منطق فازی عبارتست از "استدلال با مجموعه های فازی". بطور کلی برای برقراری ارتباط با محیط اطراف ، انسان از یک "زبان طبیعی" استفاده می کند و از آنجا که قدرت تفکر همواره فراتر از توان پیاده سازی آن با یک زبان است برای بسیاری از مفاهیم ذهنی معادل دقیقی در دامنه لغات زبان وجود نداشته و تعابیر مختلفی برای فرد از این عبارت قابل تعریف است که لزوما با شخص دیگر در مکان دیگر برابر نیست .این همان چیزی است که پروفسور لطفی زاده در سال 1973 تحت عنوان متغیرهای زبانی به آن اشاره کرد، متغیرهای زبانی متغیرهایی هستند که عدد نیستند بلکه مقادیر آن ها حروف و لغات هستند و با مدل سازی مجموعه ای برای متغیرهای زبانی (در واقع تئوری مجموعه های فازی) سعی در توصیف آن نموده و به هرکدام از متغیرهای زبانی، یک درجه عضویت"(µ)"نسبت داده می شود که بیان کننده میزان تعلق آن عضو به مجموعه است. مدل دینامیکی فازی تاکاجی-سوگنو برای سیستم های زمان پیوسته بوسیله قواعد "اگر و آنگاه" که روابط خطی ورودی-خروجی را در سیستم های غیرخطی نشان می دهد، بیان می کند و طراحی کنترلر در مدل تاکاجی-سوگنو صورت می گیرد. در عین حال می توان پارامترهای بدست آمده را نیز بهینه کرد که برای این کار عموماً از الگوریتم ژنتیک استفاده می شود. الگوریتم ژنتیک تکنیک جستجویی برای یافتن راه حل تقریبی بهینه سازی است که نوع خاصی از الگوریتم های تکاملی می باشد و از تکنیک های زیست شناسی فراگشتی مانند وراثت و جهش استفاده می کند و اغلب گزینه خوبی برای تکنیک های پیش بینی بر مبنای رگرسیون هستند. ایده اساسی این الگوریتم انتقال خصوصیات موروثی توسط ژن ها است. در علم ژنتیک خصوصیات توسط کروموزوم ها به نسل بعدی منتقل می شوند هر ژن در کروموزوم ها نمایده یک خصوصیت است. نحوه عملکرد به این صورت است که در ابتدا تعداد مشخصی از ورودی ها، که متعلق به فضای نمونه هستند انتخاب می شود که به آن ها اصطلاحا ارگانیسم یا کروموزوم گفته می شود. به گروه کروموزوم ها جمعیت یا کولنی می گویند و در هر دوره کولنی رشد می کند و بر اساس قوانین مشخص که حاکی از تکامل زیستی، است، تکامل می یابند. این الگوریتم ورودی هایی که به جواب بهینه نزدیک تر هستند را نگه داشته و از بقیه صرف نظر می کند. گام مهم دیگر در این الگوریتم تولد است که در هر دوره یکبار اتفاق می افتد، باعث می شود محتویات دو تا از بهترین کروموزوم ها برای ایجاد فرزند بهتری با هم ترکیب شوند. به علاوه در طول هر دوره، یک سری از آن ها ممکن است جهش یابند. الگوریتم ژنتیک هیبرید-تاگوچی بر اساس حل عددی مسایل بهینه سازی با متغیرهای پیوسته است که ترکیبی از الگوریتم ژنتیک متداول با متد تاگوچی است. توانایی اصلی متد تاگوچی ترکیب عملگرهای تفاطعی برای انتخاب بهترین ژن با عملگر جهش است. در نتیجه بهبود عملکرد الگوریتم ژنتیک معمولی را باعث می شود. بنابراین الگوریتم ژنتیک هیبرید-تاگوچی پاسخ پایدارتر و همگرایی سریع تری دارد و می تواند پاسخ های بهینه یا نزدیک به بهینه را پیدا کند. متد تاگوچی از متدهای مهندسی برای بهینه سازی شرایط است که کمترین حساسیت را به تغییرات مسایل گوناگون و تولیدات با کمترین هزینه دارد و این متد توسط دکتر تاگوچی معرفی شده است. دو ابزار اصلی ریاضیات که توسط این متد بکار می رود نسبت سیگنال به نویز، برای اندازه گیری کیفیت و آرایه های متعامد برای کم کردن تعداد زیادی از پارامترهای طراحی، در کمترین تعداد آزمایش است. در این متد تعدادی متغیر وجود دارد که مقدار سیگنال به نویز آن (?) برای کم کردن بهترین متغیر یا زیاد کردن آن تعریف می شود. آرایه های متعامد آزمایشی است که اصلی ترین عامل استفاده از آن بالا بردن تحقق پارامترها همراه با رابطه تابع هدف و داشتن بالاترین بازده است. روش معرفی شده در طی این پایان نامه بر روی رباتی با مفاصل انعطاف پذیر پیاده سازی شده است. در مقایسه با ربات های صلب، سنگین و حجیم، ربات های با لینک های انعطاف پذیر دارای مزایای خاصی می باشند. مزایای بالقوه آن ها سرعت عمل بالاتر، وزن کمتر، مصرف انرژی پایین، ظرفیت ترابری بیشتر، قابلیت حمل بهتر و قدرت مانور بیشتر می باشد. در مقابل تغییر شکل به دلیل خاصیت الاستیکی و لرزش از معایب آن ها می باشد. انعطاف لینک ها و مفاصل دو عامل اصلی انعطاف پذیری بازوهای مکانیکی هستند که باعث انحراف پنجه از مسیر برنامه ی ریزی شده می گردد. انعطاف پذیری لینک ، در ربات های سبک که تحت سرعت های بالا و بار های سنگین قرار دارند و نیز در ربات هایی با طول لینک زیاد، بیشتر نمود دارد، اما صورت دیگری از انعطاف پذیری مربوط به مفاصل است که در اکثر ربات ها وجود دارد. بنابراین لازم است در مدل سازی و کنترل ربات جهت دستیابی به دقت و کنترل دقیق تر به آن توجه شود. انعطاف پذیری مفاصل گاه می تواند منجر به ایجاد فرکانس های پایین تشدید در سازه شده و ارتعاشات و لرزش های ناخواسته ای را در ربات بوجود آورد. بنابراین کنترل این ربات ها اهمیت خیلی زیادی دارد. در این پایان نامه هدف طرح مدل تاکاجی-سوگنو فازی از مدل سیستم غیرخطی است تا طراحی کنترلر بر اساس این مدل صورت گیرد و برای بهبود پارامترهای کنترلر نیز از الگوریتم ژنتیک هیبرید-تاگوچی استفاده می شود. سیستم غیرخطی مورد استفاده در این پایان نامه، یک ربات با مفصل انعطاف پذیر است که در آزمایشگاه ابزار دقیق دانشگاه تبریز ساخته شده است.

با توجه به این که سیگنال های دریافتی از محیط به صورت ترکیبی از سیگنال ها هستند، دسته بندی، جداسازی و استخراج اطلاعات مورد نظر از این سیگنال ها در زمینه ی پردازش سیگنال دیجیتالی دارای اهمیت ویژه ای است. با توجه به عدم وجود اطلاعات کافی از منابع تولیدکننده ی سیگنال ها و چگونگی تشکیل سیگنال های مرکب، مسئله ی پردازش کور سیگنال ها مطرح می شود. یکی از این توابع هدفی که به تازگی برای حل این مسئله مطرح شده است، میزان همبستگی غیرخطی سیگنال های تخمینی می باشد. در این پایان نامه، اهمیت جداسازی کور سیگنال های منبع مورد بحث قرار می گیرد و روش های مختلفی که در این زمینه بر اساس میزان همبستگی غیرخطی مطرح شده اند، بررسی می شوند. موجک به دلیل داشتن قابلیت چند وضوحی بالا و تفکیک سیگنال ها به پنجره های کوچک زمانی، به عنوان یک ابزار قوی برای کاهش حجم دیتا مطرح می باشد. هم چنین در حوزه ی موجک همبستگی غیرخطی سیگنال ها بالاتر می رود. لازم به ذکر است که در اکثر پردازش های سیگنال دیجیتالی، نویز به عنوان مخرب سیگنال ها ظاهر می شود. بنابراین باید با روش هایی حضور نویز را کم رنگ کرد. الگوریتمی ارائه می شود که قادر است اثر نویز را کاهش دهد و با ایجاد بسته های موجک بار محاسباتی پایینی را ایجاد کند و درنتیجه از سرعت اجرایی بالایی برخوردار خواهد بود. در این پایان نامه سیگنال های صحبت مورد استفاده از بانک اطلاعاتی timit انتخاب شده اند که فاقد نویز هستند. شبیه سازی های الگوریتم پیشنهادی بر اساس این سیگنال ها خواهند بود. سیگنال های منبع با ماتریس تصادفی با هم ترکیب شده و سپس به نویز آغشته می شوند. در روش پیشنهادی ابتدا موجک سیگنال های مرکب نویزی محاسبه شده و عمل جداسازی سیگنال های منبع بر مبنای ضرائب تقریب حاصل از موجک انجام می شود. در مرحله ی بعد عمل سفیدسازی سیگنال های به دست آمده انجام می شود. برای تخمین سیگنال های منبع، فیلتر خطی طراحی می شود و براساس الگوریتم lms ضرائب فیلتر خطی محاسبه می شوند. الگوریتم ارائه شده تا جایی ادامه پیدا خواهد کرد که همبستگی غیرخطی سیگنال های منبع جدا شده، حداکثر مقدار خود را داشته باشد. شبیه سازی ها روی سه و چهار سیگنال منبع از نوع صحبت، سیگنال های منبع از نوع نویز رنگی و سیگنال های الکتروکاردیوگرام مادر انجام می گیرد. الگوریتم پیشنهادی با الگوریتم shi با نام noisyna مقایسه می شود. نتایج حاکی از آن است که الگوریتم پیشنهادی به دلیل استفاده از الگوریتم lms و هم چنین استفاده از موجک قادر است سرعت محاسبات را افزایش دهد و پاسخ بهتری را در شرایط نویزی از خود نشان دهد. برای سنجش میزان موفقیت الگوریتم، از پارامترهای شاخص بازده و نسبت سیگنال به نویز استفاده می شود. شبیه سازی ها نشان می دهند که نسبت سیگنال به نویز الگوریتم پیشنهادی تا حدود 3 دسی بل از الگوریتم noisyna بیشتر است.

در این پایاننامه دو الگوریتم جهت شناسایی شمای مدولاسیون های مورد استفاده در سیستم های بی سیم و سیستم dvb-s2 پیشنهاد شده است. الگوریتم اول، برای شناسایی مدولاسیون های bpsk، qpsk و gmsk پیشنهاد شده است. در خلال کلاس بندی، کلاس بندی کننده های dag-svm، svm سلسله مراتبی و شبکه ی عصبی pnn جهت انتخاب کلاس بندی کننده مناسب با هم مقایسه شده اند و نهایتا شبکه ی عصبی pnn به دلیل درصد شناسایی بالا به عنوان کلاس بندی کننده انتخاب شده است. ویژگی های استفاده شده شامل دو دسته ویژگی ترکیبی است، دسته اول ویژگی های لحظه ای سیگنال و دسته دوم ویژگی های آماری مراتب بالا شامل کیومولانت ها مرتبه ی چهارم می باشند. نکته ی قابل ذکر در استخراج ویژگی ها به دلیل وابستگی دو ویژگی لحظه ای به فرکانس حامل، فرض شده فرکانس حامل در دست بوده یا تخمین زده شده است. الگوریتم دوم، برای شناسایی مدولاسیون های qpsk، psk8، apsk16 و apsk32 پیشنهاد شده است. مدولاسیون های پیشنهادی در سیستم مخابرات ماهواره dvb-s2 کاربرد دارند. در این الگوریتم از 5 ویژگی، حوزه ی ویولت و کیومولانت های مرتبه ی چهار جهت شناسایی مدولاسیون ها استفاده شده است. الگوریتم برای محدوده ی -6db≤snr طراحی شده است. الگوریتم جهت شناسایی نیازی به هیچ اطلاعات اولیه، از سیگنال دریافتی ندارد. جهت کلاس بندی، svm سلسله مراتبی پیشنهاد شده است. در نهایت این الگوریتم توانسته با 100 درصد موفقیت مدولاسیون ها را شناسایی کند.

در این پایان نامه به تجزیه و تحلیل اطلاعات نادقیق، رفتارشناسی سیستم و بررسی گراف‏های فازی پرداخته شده است. اطلاعات نادقیق را می‏توان به‏صورت کارآمد، تحلیل و روابط فازی را با به‏ کارگیری تئوری گراف فازی بررسی کرد. ازگراف‏های فازی می‏توان در تجزیه و تحلیل اطلاعات نادرست ازقبیل توالی دستور/شناخت، ساختار جامعه‏سنجی و نظرسنجی استفاده کرد. سنجش افکار اجتماعی یکی از روش‏های اندازه‏گیری و ارزیابی ساختار اجتماعی است که به‏طور موثر می‏توان با استفاده از نظریه گراف‏های فازی تجزیه و تحلیل کرد. یکی از راه‏کارهای توسعه گراف‏های فازی برای تجزیه و تحلیل ساختارهای اجتماعی، پیش‏بینی اطلاعات ناموجود می‏باشد.برای این منظور در طی این پایان نامه پرسش‏نامه ایطراحی گردید و از دانش آموزان دو دبیرستان شهر یزد خواسته شد تا فرم‏هایمذکور را تکمیل نمایند. در این پرسش‏نامه، افراد باید برای هم‏گروهی به فرد مورد علاقه خود رای دهند.سپس برای شناخت افراد از مفاهیم فرد محبوب و فرد منزوی استفاده شد.در این پایان‎نامه سعی شده است تا با استفاده از گراف‏های فازی، راه‏کاری جهت پیش‏بینی پاسخ‏های دانش‏آموزان براساس فرم‏های قبلی ارائه شود. در نهایت نتایج به‏دست آمده با نتایج واقعی مقایسه می‏گردد که در این مقایسه هرچقدر میزان اختلافات بیشتر باشد نشان‏دهنده این است که افراد محبوب از هوش هیجانی و هوش اجتماعی بالاتری برخوردارند و هرچقدر این میزان اختلاف کمتر باشد نشان‏دهنده این است که افراد محبوب دارای دوستان زیادی می‏باشند.

به¬ دلیل کاربردهای بالقوه سیستم¬های آشوب در بسیاری از زمینه¬های ارتباطات محرمانه، مهندسی بیولوژیک، تشخیص الگو و پردازش اطلاعات، اخیرا کنترل و هم-زمان¬سازی سیستم¬های دینامیکی آشوبناک مورد توجه و علاقه بسیاری قرار گرفته است. سیستم¬های آشوب بسیار حساس به شرایط اولیه بوده و پیش بینی کردن رفتار آن¬ها بسیار سخت است. در فرآیند هم¬زمان¬سازی خروجی سیستم پایه جهت کنترل سیستم پیرو، به طوری که خروجی سیستم پیرو خروجی سیستم پایه را به طور مجانبی دنبال کند مورد استفاده قرار می¬گیرد. بسیاری از نظریه¬ها و روش¬های پیشرفته مانند کنترل بهینه، کنترل تطبیقی، کنترل مد لغزشی و غیره برای کنترل سیستم¬های آشوب گسترش یافته¬اند. اخیرا، سیستم¬های فازی به طور فزاینده¬ای در مسئله کنترل سیستم¬های غیرخطی و آشوبناک مورد توجه قرار گرفته¬اند. به دلیل توانایی سیستم¬های فازی در تخمین سیستم نامعین، کنترل¬کننده¬های فازی مختلفی برای سیستم¬های غیرخطی و به خصوص برای مواقعی که اطلاعات کاملی از سیستم وجود ندارد، ارائه شده است. کنترل مد لغزشی نیز یک روش موثر برای غلبه بر نامعینی¬های سیستم¬های آشوبناک فراهم کرده و به صورت کارآمدی بر روی این نوع سیستم¬ها اعمال می¬شود. کنترل¬کننده مد لغزشی برای این که مسیرهای حالت سیستم را وادار به ماندن در سطح لغزشی از پیش تعیین¬شده بکند از کنترل ناپیوسته استفاده می¬کند. اگرچه کنترل¬کننده-های مد لغزشی کنترل¬کننده¬های مقاوم هستند و روش طراحی آسانی دارند ولی یک مسئله اساسی به عنوان مانع موثر استفاده وسیع از این نوع کنترل¬کننده¬ها مطرح می¬شود. این مانع، چگونگی طراحی یک کنترل کننده مد لغزشی بدون اطلاع از دینامیک کامل سیستم است. در اکثر مواقع پارامترهای سیستم به طور دقیق مشخص نیستند و مدل کردن ریاضی یک سیستم عملی به طور کامل امکان¬پذیر نیست و همیشه دینامیک¬های مدل نشده¬ای وجود خواهند داشت. برای رفع این مشکل، در این پایان¬نامه از ترکیب روش کنترل مد لغزشی و سیستم¬های فازی نوع 2 فاصله¬ای برای کنترل و هم¬زمان¬سازی سیستم¬های آشوب به فرم نرمال استفاده شده است. این روش یک روش طراحی آسان برای طراحی سیستماتیک یک کنترل کننده مناسب برای پایداری سیستم آشوب نامعین است. در این پایان¬نامه برای تعیین مقدار بهینه پارامترهای سیستم فازی نوع 2 فاصله ای از روش الگوریتم پرندگان استفاده شده است. طراحی کنترل¬کننده به این روش پایداری سیستم حلقه بسته را تضمین کرده و به دلیل توانایی بالای سیستم¬های فازی نوع 2 در مدل کردن نامعینی¬ها، مقاومت کنترل¬کننده افزایش یافته است.

اصلی¬ترین هدف در شناسایی سیستم¬ها ایجاد مدلی است که رفتاری همانند سیستم اصلی داشته باشد. شناسایی، در سیستم¬های غیرخطی دارای ملاحظات بیشتری نسبت به سیستم¬های خطی است. چرا که فرآیند¬های غیرخطی عموما به¬ صورت منحصر به فرد عمل می¬نمایند و خصوصیات مشترک کمی دارند. در برخی مواقع سیستم غیرخطی مورد نظر یک جعبه سیاه است که هیچ اطلاعی از درون سیستم در دست نمی باشد و تنها اطلاع ما از سیستم، دسته ای از داده ورودی- خروجی و مرتبه سیستم است. کاربرد شبکه¬های عصبی در زمینه شبیه-سازی و کنترل روز به روز در حال گسترش می¬باشد. به دلیل این‏که شبکه عصبی نیاز به داشتن اطلاعاتی درباره سیستم یا فرآیند ندارد، این روش همانند روش‏های جعبه سیاه عمل می¬کند. توانایی تخمین پاسخ سیستم‏های فیزیکی که از معادلات پیچیده¬ای برخوردار می¬باشند، با استفاده از شبکه عصبی بازگشتی بسیار آسان شده است. در این پایان¬نامه یک معماری برای شبکه¬های عصبی بازگشتی جهت شناسایی سیستم‏های دینامیکی ارائه شده است. معماری ارائه شده بر اساس اطلاعات محدودی از ورودی – خروجی بدست آمده از سیستم اصلی، برای شناسایی هر دو نوع سیستم‏های دینامیکی خطی و غیرخطی بکار می¬رود. یک لایه ورودی، یک لایه میانی، یک لایه خروجی به اضافه یک لایه زمینه ساختار شبکه را تشکیل می¬دهند. حافظه دینامیکی در شبکه از طریق فیدبک¬هایی بیش از یک واحد از عصب¬های لایه مخفی و اعمال این فیدبک¬ها به عنوان ورودی لایه زمینه و وجود خود بازگشتی‏ها با وزن¬های قابل تنظیم در عصب¬ لایه خروجی، فراهم شده است. ورودی سیستم در همان لحظه و لحظات قبلی، بخش اول لایه ورودی شبکه را تشکیل می¬دهند. با توجه به برتری روش شناسایی سری- موازی به شناسایی موازی، به جای این‏که فیدبک¬ها از خروجی شبکه عصبی گرفته شوند، از خروجی سیستم فیدبک گرفته می¬شود. بدین ترتیب خروجی لحظات قبلی سیستم نیز بخش دوم لایه ورودی شبکه را تشکیل می¬دهند. وجود این فیدبک¬ها در ساختار، باعث می¬شود حافظه دینامیکی در شبکه افزایش یافته و معماری ارائه شده برای تخمین توابع غیرخطی مناسب باشد. الگوریتم پس انتشار با توجه به سرعت بالای همگرایی برای آموزش شبکه در نظر گرفته شده است. با توجه به این‏که روش بهینه¬سازی گرادیان کاهشی برای اصلاح وزن¬ها از نرخ یادگیری ثابت استفاده می¬کند و امکان گیر افتادن در مینیمم محلی زیاد است، برای اصلاح وزن¬ها از قوانین تطبیقی روش حداقل مربعات بازگشتی استفاده می¬شود.