بررسی پیش بینی پذیری و تخمین سیستم های آشوبگونه به کمک شبکه های عصبی
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس
- author مختار شاصادقی
- adviser وحید جوهری مجد
- Number of pages: First 15 pages
- publication year 1380
abstract
در سال های اخیر، پژوهشگران از شاخه های مختلف علوم و مهندسی روش جدیدی تحت عنوان ((نظریه آشوب)) برای توصیف پیچیدگی در طبیعت تدوین کرده و گسترش داده اند. امروزه نظریه آشوب به عنوان یک ابزار پردازش قوی جهت بررسی سیستم های پیچیده در طبیعت مطرح است. سیستم های آشوبگونه دارای رفتاری کاملا معین است که به علت داشتن نمای لیاپانف مثبت با حساسیت نسبت به شرایط اولیه رفتار می کنند، به گونه ای که مسیرهای به اندازه کافی نزدیک به هم با نرخ مشخصه سیستم از یکدیگر واگرا می شوند تا جائی که از لحاظ عملی این دو مسیر غیروابسته می گردند. در اغلب کاربردهای عملی، مشاهده و ثبت تمام مولفه های بردار حالت بسیار مشکل و غیرعملی است . معمولا تنها چیزی که از این نوع سیستم ها قابل اندازه گیری است، یک سیگنال اسکالر به صورت سری های زمانی است. در این پایان نامه، هدف ما مدلسازی و پیش بینی سری های زمانی آشوبگونه به کمک شبکه های عصبی است، شبکه های عصبی دارای پتانسیل بالا جهت مدلسازی سیستم های پیچیده است. همچنین بعضی از پارامترهای سیستم دینامیکی هوا را به عنوان مطالعه موردی انتخاب کردیم. با بررسی رفتار این کمیت ها و اعمال آزمون هایی به آنها، رفتار آشوبگونه در این سیستم احراز و پارامترهای آشوبی تخمین زده شد. با بررسی چهار دسته مختلف از شبکه های عصبی شامل پرسپترون چند لایه تک خروجی، پرسپترون چند لایه چند خروجی، تابع بنیادی شعاعی و شبکه المن، به این نتیجه رسیدیم که شبکه بازگشتی المن به علت دارا بودن فیدبک های درونی از انعطاف پذیری و قابلیت بالایی برای مدلسازی سری های زمانی آشوبگونه برخوردار است، از طرفی، پیش پردازش داده های ورودی به آموزش موثرتر شبکه منجر می شد و نحوه آرایش داده های آموزشی بر کیفیت آموزش شبکه ودقت مدلسازی از تاثیر بسزایی برخوردار است.همچنین با اضافه کردن فیدبک هایی تاخیر دار به ساختار درونی شبکه المن، شبکه ایی توسعه یافته برای کاهش خطای پیش بینی سیستم های آشوبگونه ارائه می شود. شبیه سازی ها نشان می دهد شبکه پیشنهادی نسبت به شبکه پرسپترون چند لایه و شبکه معمولی المن سریعتر آموزش دیده و خطای بسیار کمتری دارد.
similar resources
پیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی
پیش بینی زبری سطح یک پیش نیاز اساسی برای ایجاد یک مرکز ماشین کاری خودکار می باشد. بهینه سازی فرآیند ماشین کاری در این راستا از اهمیت خاصی برخوردار است. در این مقاله از رهیافت ترکیبی فازی- عصبی (سیستم استنتاج فازی- عصبی تطبیقی ANFIS) به منظور پیش بینی زبری سطح در تراش کاری خشک استفاده شده است. به طوری که داده های حاصل از آزمایش ها به منظور ایجاد قواعد فازی و ویرایش این قواعد به کمک شبکه های عصبی...
full textپیش بینی زبری سطح در تراش کاری خشک به کمک شبکه های فازی- عصبی تطبیقی
Optimization of machining parameters is very important and the main goal in every machining process. Surface finishing prediction is a pre-requirement to establish a center for automatic machining operations. In this research, a neuro-fuzzy approach is used in order to model and predict the surface roughness in dry turning. This approach has both the learning capability of neural network and li...
full textکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
full textترکیب شبکه های عصبی برای پیش بینی قیمت سهام
در این مقاله، یک مدل ابتکاری با ترکیب شبکه های عصبی مصنوعی (ANN) برای پیش بینی رفتار قیمت سهام پیشنهاد و اجرا می شود. این مدل ترکیبی، به صورت ساختار دو طبقه می باشد: شبکه های عصبی طبقه اول یا پیشگوهای پایه (Base Predictor) مسئول پیش بینی روزانه داده ها با ویژگی مختلف یک سهام می باشند و در طبقه دوم، شبکه دیگر، به عنوان ترکیب کننده پیش بینی نهایی را با بررسی و آنالیز اطلاعات پیشگوهای طبقه اول انج...
full textکاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه
پیشبینی بارش یکی از مهمترین مسائل در زمینه مدیریت بهینه منابع آب در بخشهای مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیشبینی بارش زمستانه استان خراسان رضوی با استفاده از شبکههای عصبی مصنوعی میباشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقهای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023