This paper proposes improving the structure of the neural controller based on the identification model for nonlinear systems. The goal of this work is to employ the structure of the Modified Elman Neural Network (MENN) model into the NARMA-L2 structure instead of Multi-Layer Perceptron (MLP) model in order to construct a new hybrid neural structure that can be used as an identifier model and a nonlinear controller for the SISO linear or nonlinear systems. Two learning algorithms are used to adjust the parameters weight of the hybrid neural structure with its serial-parallel configuration; the first one is supervised learning algorithm based Back Propagation Algorithm (BPA) and the second one is an intelligent algorithm namely Particle Swarm Optimization (PSO) algorithm. The numerical simulation results show that the hybrid NARMA-L2 controller with PSO algorithm is more accurate than BPA in terms of achieving fast learning and adjusting the parameters model with minimum number of iterations, minimum number of neurons in the hybrid network and the smooth output one step ahead prediction controller response for the nonlinear CSTR system without oscillation.

أن هذا البحث يقترح تحسين في هيكل مسيطر عصبي مبنيا على أساس النموذج التعريفي للمنظومات اللاخطية. ان الهدف من هذا العمل هو توظيف هيكل النموذج الشبكة العصبية ايلمن المعدلةMENN في هيكل NARMA-L2 بدلا من نموذج تعدد الطبقات بيرسبترون MLP لكي يكون هيكل عصبي هجين جديد والذي يمكن استخدامه كنموذج معرف ومسيطر لاخطي للمنظومات الخطية و اللاخطية و وأيضاً إجراء مقارنة بين خوارزميات التعلم المختلفة التي استخدمت لتعلم المسيطر الهجين. لقد تم استخدام خوارزميتان لتعليم ولتعديل أوزان العناصر لهيكل العصبي الهجين مع هيكل التوالي-التوازي; ان اول خوارزمية تم استخدامها في هذا البحث هي خوارزمية الانتشار العكسي (BPA) والثاني هي الخوارزمية الذكية والتي حشد الجسيمات االمثلية (PSO).ان نتائج المحاكاة العددية اثبتت أن خوارزمية PSOمع المسيطر الهجين NARMA-L2 هي أكثر دقة من حيث تحقيق التعلم السريع وتعديل عناصر النموذج مع الحد الأدنى من عدد التكرار التعلم وكذلك اقل عدد للعقد الشبكة العصبية الهجينة مع دقة عالية في الإخراج وبدون تذبذب الاستجابة للمسيطر التنبؤي لخطوة واحدة لنظام خزان مفاعل مستمر الإثارة اللاخطية.

: NARMA-L2Model --- MLP neural Network --- Modified Elman Neural Network --- Back Propagation Algorithm --- Particle Swarm Optimization --- Nonlinear CSTR System. --- نموذج NARMA-L2 --- الشبكة العصبية MLP --- الشبكة العصبية MENN --- خوارزمية الانتشار العكسي --- حشد الجسيمات المثلية --- النظام اللاخطية CSTR