يقدم هذا المقال طريقة جديدة لتحسين مرشح التكيف التلقائي التصاعدي الحلزوني (CSAF) من خلال استخدام خوارزمية التحسين البيني (MOA) لتعريف الأنظمة غير الخطية غير المعروفة. يجمع هيكل CSAF بين نظام هامرستين وفاينر، حيث يتم تحقيق الكتلة غير الخطية من خلال الشبكة الحلزونية. تقوم الخوارزمية المستخدمة بتحسين وظيفة التكلفة الموزونة بشكل مناسب ووزن المرشح الحلزوني ومرشح الخطية، مما يعزز استقرار المرشح وثباته وتقارب الحل الأمثل العالمي له. يتم دراسة هيكلي CSAFان التاليين: حلزوني–هامرستين الحلزوني (HW-SAF) وهامرستين–حلزوني الفاينر (WH-SAF). تم تصميم هاتان الهيكليتان على أساس طريقة التدرج، وتكون سرعة التقارب بطيئة، والكفاءة منخفضة، ويمكن أن تنتج حلولًا فرعية في بيئة الضوضاء الغاوسية العالية. للتغلب على هذه الصعوبات، تم استخدام 4 أنواع مستقلة من MOA لتقدير معلمات تصميم هياكل CSAF: التطور التفاضلي (DE)، وتحسين العقل (BSO)، ومحسن الكون المتعدد (MVO)، بالإضافة إلى خوارزمية تحسين سمك السلمون المقدمة حديثًا (ROA). في ROA، يمكن لمعامل التحكم في سمك السلمون أن ينتج معدل تقارب أعلى لمعلمات تقريبية تقاربية عالمية. بالمقارنة مع الأساليب المستندة إلى DE، BSO، و MVO، يضمن ROA توازن المرحلة الاستكشافية والتطوير. أخيرًا، تظهر نتائج التعرف على 3 أنظمة محددة من الصناعة (أي الدفع الكهربائي المرتبط، والجدار الحراري، ومفاعل خزان الخلط المستمر) فعالية CSAF المعتمدة على الخوارزمية المحسنة لسمك السلمون.

مرشح التكيف التلقائي التصاعدي الحلزوني ؛ تحديد الأنظمة غير الخطية ؛ خوارزمية تحسين سمك السلمون