طیبه مستجابی

چکیده

معمولاً هنگامی که بحث طراحی فیلتر پیش می آید بیشتر منظور«طراحی فیلتر بر اساس پهنای باند مطلوب»  است. اما در شناسایی سیستم‌ها، بسیاری از مواقع به مدل هایی می رسیم که روابطی به صورت یک فیلتر  IIRدارند. با این تفاوت که در اینجا هدف برازش مدلی مناسب به مجموعه داده‌های ورودی خروجی است؛ به گونه ای که بتواند تا حد امکان بهترین توصیف کننده  سیستم واقعی باشد. فیلترهای IIR پتانسیل مناسبی برای مدلسازی بسیاری از سیستم‌ها و فرایندها دارند. اما مشکل عمده‌ بر سر راه استفاده از آنها مسئله به وجود آمدن سطوح خطا و نیاز به وجود الگوریتم‌های قدرتمند در جستجوی نقاط بهینه مطلق و توانایی فرار از دام مینیمم‌های محلی است. از سوی دیگر الگوریتم‌های بهینه‌سازی مبتنی بر هوش جمعی ثابت کرده‌اند که توانایی بالایی در یافتن پاسخ بهینه مطلق و حل مسائل پیجیده بهینه‌سازی دارند.
معمولاً در شناسایی سیستم‌ها و به منظور یافتن مدل مناسب, نیاز به اعمال ورودی نویز سفید با طول مناسب داریم اما داشتن چنین مجموعه‌ای از داده‌ها در بسیاری از موارد عملاً ممکن نیست. در عین حال ممکن است مجموعه‌هایی ناقص از داده‌ها در اختیار داشته باشیم که هیچکدام به تنهایی کافی نبوده و اطلاعاتشان نیز در روش‌های کلاسیک با یکدیگر قابل ترکیب نیستند. بر این اساس از خاصیت الگوریتم‌های هوش جمعی در بهینه‌سازی همزمان چند تابع هزینه، جهت ترکیب اطلاعات دو مجموعه ناقص از داده‌ها استفاده شد و شیوه زمانی-فرکانسی پیشنهاد گردید..
از طرف دیگر ممکن است بتوان اطلاعات اندکی از پاسخ فرکانسی سیستم به دست آورد. در چنین شرایطی می‌توان از توابع هزینه مورد استفاده در حوزه فرکانس و روش‌هایی مشابه روش‌های مورد استفاده در بحث «طراحی فیلتر بر اساس پهنای باند مطلوب» جهت تخمین مدل مبتنی بر فیلتر IIR  بهره جست. اما مدل تخمین زده شده لزوماً کیفیت مورد انتظار را در حوزه زمان ندارد. به‌علاوه در برخی موارد فاز سیستم در حوزه فرکانس نیز کیفیت مطلوبی ندارد. بر این اساس سعی شد تا با یافتن توابع هزینه‌ای مناسب‌تر کیفیت مدلسازی در حوزه فرکانس را افزایش دهیم. این توابع هزینه به گونه‌ای طراحی شده‌اند که بتوانند به طور همزمان کنترل مناسبی بر روی رفتار مدل‌ تخمینی در حوزه زمان و فرکانس داشته باشند.

تاریخ دفاع: سه شنبه  29/06/90 ساعت: 17

محل: دانشکده برق