Introduction d'une nouvelle méthode d'optimisation du filtre adaptatif en spirale en cascade (CSAF) à l'aide d'un algorithme d'optimisation méta-heuristique (MOA) pour la détermination de systèmes non linéaires inconnus. L'architecture CSAF combine les systèmes de Hammerstein et Wiener, où le bloc non linéaire est réalisé à l'aide d'un réseau en spirale. L'algorithme utilisé optimise une fonction de coût pondérée adéquate et les poids des fonctions d'interpolation en spline et du filtre linéaire, améliorant ainsi la stabilité du filtre, son état stationnaire et la convergence vers un optimum global. Cet article étudie deux architectures CSAF : le filtre adaptatif spirale–Hammerstein (HW-SAF) et le filtre adaptatif Wiener–Hammerstein (WH-SAF). Ces deux architectures sont conçues sur la base de la méthode du gradient, leur vitesse de convergence est lente, leur efficacité est faible et elles peuvent produire des solutions sous-optimales dans un environnement de bruit gaussien élevé. Pour surmonter ces difficultés, cet article utilise 4 MOA indépendants pour estimer les paramètres de conception de l'architecture CSAF : l'évolution différentielle (DE), l'optimisation par tempête de cerveaux (BSO), l'optimiseur multi-univers (MVO) et l'algorithme d'optimisation des saumons récemment proposé (ROA). Dans ROA, les paramètres de contrôle des saumons peuvent produire une vitesse de convergence plus élevée pour estimer des paramètres proches de l'optimum global. Par rapport aux méthodes basées sur DE, BSO et MVO, ROA assure un équilibre lors des phases d'exploration et de développement. Enfin, les résultats de l'identification de 3 systèmes de référence numériques et industriels spécifiques (à savoir, l'entraînement électrique couplé, le mur thermique et le réacteur à cuve de mélange continu) montrent l'efficacité de CSAF basé sur l'optimisation des saumons.

Filtre adaptatif en spirale en cascade ; identification de systèmes non linéaires ; algorithme d'optimisation des saumons