شناسایی کلاسی از سیستم های دینامیکی غیرخطی با شبکه های عصبی فازی

thesis
abstract

شبکه های عصبی فازی، یک نوع از سیستم های هوشمند ترکیبی هستند که بر اساس محاسبات عصبی فازی بنا شده اند. این ساختار از ترکیب سیستم های فازی و شبکه های عصبی حاصل شده است. شبکه های عصبی با وجود آنکه دارای مزایای دقت نگاشت ورودی- خروجی و قدرت تطبیق پذیری هستند، اما به دلیل عدم قدرت تفسیر، صرف زمان قابل ملاحظه برای کشف ساختار داخلی و طولانی بودن زمان آموزش محدودیت هایی را ایجاد می کنند. از طرف دیگر سیستم های فازی نیز دارای ضعف تطبیق پذیری هستند. لذا می توان شبکه های عصبی فازی را که مزایای سیستم های فازی و شبکه های عصبی را به طور یکجا دارا هستند، برای کاربرد های مختلف بکار برد. برای حل مشکل نامعینی در متغیرهای زبانی از منطق فازی استفاده می شود. درجه عضویت در فازی نوع -1، یک عدد غیر فازی است. اما تعیین دقیق این مقدار عددی بسیار مشکل است، خصوصاً در سیستم های ناشناخته و یا به شدت غیرخطی و دارای نامعینی، این امر بسیار مشکل ساز است. در سال های اخیر با تعمیم منطق فازی نوع -1 به منطق فازی نوع -2، جهش چشم گیری در هوش محاسباتی و سیستم های هوشمند حاصل شده است. به دنبال معرفی منطق فازی نوع -2، شبکه های عصبی نوع اول به شبکه های عصبی فازی نوع -2 گسترش یافتند. در فازی نوع -2، درجه عضویت یک عدد فازی است. در برخی سیستم ها تعیین دقیق درجه عضویت کار دشواری است، بنابراین منطق فازی نوع -2 می تواند کار گشا باشد. سیستم های فازی نوع -2 با قدرت انعطاف پذیری بیشتر و توانایی در مدلسازی سیستم های با نامعینی بالا، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. یکی از کاربرد های مهم شبکه های عصبی فازی نوع -2 شناسایی سیستم های دینامیکی غیرخطی است. در این پایان نامه راهکار های گوناگون در شناسایی سیستم های دینامیکی غیر خطی با شبکه های عصبی فازی نوع -2 و همچنین بحث ساده سازی مدل های عصبی فازی نوع-2 (روش کاهش تعداد قواعد) مورد بحث واقع شده و شبیه سازی این راهکار ها برای سیستم های دینامیکی و نتایج حاصله از آن مورد بررسی قرار گرفته است.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

شناسایی سیستم های دینامیکی غیرخطی توسط شبکه های عصبی-فازی

شبکه های عصبی-فازی، یک نوع از سیستم های هوشمند ترکیبی هستند که بر اساس محاسبات عصبی-فازی بنا شده اند. این ساختارها از ترکیب سیستم های فازی و شبکه های عصبی حاصل می شوند. شبکه های عصبی با وجود آنکه دارای مزایای دقت نگاشت ورودی-خروجی و قدرت تطبیق پذیری هستند، اما به دلیل عدم قدرت تفسیر، صرف زمان قابل ملاحظه برای کشف ساختار داخلی، و طولانی بودن زمان آموزش محدودیت هایی را ایجاد می کنند. از طرف دیگر ...

15 صفحه اول

کنترل معکوس تطبیقی سیستم های دینامیکی غیرخطی با شبکه های عصبی فازی نوع-۲

شبکه های عصبی فازی نوع-2 توانایی بالایی در شناسایی و کنترل سیستم های غیرخطی، سیستم های تغییرپذیر با زمان و نیز سیستم های دارای نامعینی دارند. در این مقاله روش طراحی کنترل کننده معکوس تطبیقی عصبی فازی نوع-2 جهت کنترل برخط سیستم های دینامیکی غیرخطی مورد بررسی قرار گرفته است. ابتدا ساختار کلاسی از شبکه های عصبی فازی نوع-2 بازه ای مدل t-s نمایش داده می شود. این شبکه هفت لایه دارد که عملیات فازی ساز...

full text

پیاده سازی شبکه های عصبی راف با یادگیری احتمالاتی جهت شناسایی سیستم های غیرخطی

در این مقاله یک شبکه عصبی راف بهبود یافته به منظور شناسایی سیستم  های غیرخطی آشوبی ارائه شده است. شبکه  های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون  های راف طراحی می  شوند. یک نرون راف را می  توان بصورت زوجی از نرون  ها در نظر گرفت، که به نرون  های کرانه بالا و کرانه پایین موسوم هستند. رویکرد نرون راف استفاده از محاسبات بازه  ای در شبکه عصبی را امکان پذیر می  سازد، بنابراین می  توا...

full text

شناسایی سیستم های دینامیکی غیرخطی با شبکه های عصبی بازگشتی

اصلی¬ترین هدف در شناسایی سیستم¬ها ایجاد مدلی است که رفتاری همانند سیستم اصلی داشته باشد. شناسایی، در سیستم¬های غیرخطی دارای ملاحظات بیشتری نسبت به سیستم¬های خطی است. چرا که فرآیند¬های غیرخطی عموما به¬ صورت منحصر به فرد عمل می¬نمایند و خصوصیات مشترک کمی دارند. در برخی مواقع سیستم غیرخطی مورد نظر یک جعبه سیاه است که هیچ اطلاعی از درون سیستم در دست نمی باشد و تنها اطلاع ما از سیستم، دسته ای از داد...

یک الگوریتم یادگیری ترکیبی جهت طراحی شبکه های موجک فازی برای تقریب توابع، شناسایی و کنترل بهنگام سیستم های غیرخطی

در این مقاله، یک الگوریتم یادگیری ترکیبی جدید برای طراحی شبکه های موجک فازی به منظور تقریب توابع، کنترل و شناسایی سیستم های غیرخطی ارائه شده است. الگوریتم پیشنهادی مبتنی بر الگوریتم حداقل مربعات متعامد (OLS)، الگوریتم جهش قورباغه های بهم آمیخته (SFL) و روش حداقل مربعات بازگشتی(RLS) می باشد. الگوریتم حداقل مربعات متعامد جهت تعیین ابعاد شبکه، غربال کردن موجکها به منظور انتخاب موجکهای مؤثرو تع...

full text

پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بار...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه تبریز

Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023