Járműdinamikai rendszerek integrált fuzzy-sztochasztikus modellezése és identifikációja = Integrated Modeling and Identification of Vehicle Dynamic Systems

A kutatomunka a linearis es a nemlinearis jarműdinamikai rendszerek a bizonytalansagi tenyezőket is figyelembe vevő uj tipusu modellezesi eljarasainak es rendszeridentifikacios algoritmusainak kidolgozasaval foglalkozik. A jarműdinamikai modellezes metodologiai megkozelitese a hagyomanyos statisztikai rendszeridentifikacios modszerek mellett alkalmazza a kulonboző lagy szamitastudomanyi megkozelitesi modokat, igy tobbek kozott felhasznalja a fuzzy logika, fuzzy iranyitastechnika algoritmusait, a neuralis es fuzzy-neuralis halozatokat, tovabba a szingularis ertekdekompozicio (SVD) modszereit, kapcsolatot teremtve az LPV rendszereken ertelmezett Takagi-Sugeno tipusu fuzzy iranyitasi algoritmusok es a magasabb rendű szingularis ertek dekompozicio kozott. A nemlinearis jarműdinamikai rendszerek komplex modellezesenel foglalkozunk a hatekony komplexitas csokkentő technikak kidolgozasaval is, fuzzy interpolacios eljarasok alkalmazasaval, ahol a tomeges adatfeldolgozast multiprocesszoros szamitasok segitsegevel vegezzuk el. A linearis jarműdinamikai modellezes soran osszehasonlitjuk a szabalyalapu fuzzy iranyitastechnikai eljarasokkal kapott eredmenyeket a sztochasztikus identifikacios modszerek becslesevel, a transzferfuggvenyek illetve a transzfermatrixok kulonboző tipusu approximacioja alapjan. | This research project deals with the construction and development of new models of "uncertain principles" for the description of linear and nonlinear vehicle system dynamics using efficient new stochastic, fuzzy modelling approaches and identification algorythms. The methodological approach of the vehicle dynamics modelling is not only based on the traditional statistical system idetificaion methods, but on those soft computing approaches using among others fuzzy logic and fuzzy control algorythms, neural and fuzzy-neural networks, new singular value decomposition methods, establishing interconnection between Takagi-Sugeno type control models interpreted for LPV systems and higher order singular value decomposition (HOSVD). In the large-scale and complex modelling of the nonlinear vehicle system dynamics efficient complexity reduction techniques and fuzzy interpolative methods will be applied for the realization of the mass-data processing on the basis of multiprocessor computational intelligence. In the linear vehicle dynamic modelling a comparison will be examined between the rulebased fuzzy control approaches and modelling of the well-known modern stochastic identification methods on the basis of different transfer function and transfer matrix approximations.