شناسایی سیستم های دینامیکی غیرخطی با شبکه های عصبی بازگشتی

thesis
abstract

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 داده ورودی- خروجی و مرتبه سیستم است. کاربرد شبکه¬های عصبی در زمینه شبیه-سازی و کنترل روز به روز در حال گسترش می¬باشد. به دلیل این‏که شبکه عصبی نیاز به داشتن اطلاعاتی درباره سیستم یا فرآیند ندارد، این روش همانند روش‏های جعبه سیاه عمل می¬کند. توانایی تخمین پاسخ سیستم‏های فیزیکی که از معادلات پیچیده¬ای برخوردار می¬باشند، با استفاده از شبکه عصبی بازگشتی بسیار آسان شده است. در این پایان¬نامه یک معماری برای شبکه¬های عصبی بازگشتی جهت شناسایی سیستم‏های دینامیکی ارائه شده است. معماری ارائه شده بر اساس اطلاعات محدودی از ورودی – خروجی بدست آمده از سیستم اصلی، برای شناسایی هر دو نوع سیستم‏های دینامیکی خطی و غیرخطی بکار می¬رود. یک لایه ورودی، یک لایه میانی، یک لایه خروجی به اضافه یک لایه زمینه ساختار شبکه را تشکیل می¬دهند. حافظه دینامیکی در شبکه از طریق فیدبک¬هایی بیش از یک واحد از عصب¬های لایه مخفی و اعمال این فیدبک¬ها به عنوان ورودی لایه زمینه و وجود خود بازگشتی‏ها با وزن¬های قابل تنظیم در عصب¬ لایه خروجی، فراهم شده است. ورودی سیستم در همان لحظه و لحظات قبلی، بخش اول لایه ورودی شبکه را تشکیل می¬دهند. با توجه به برتری روش شناسایی سری- موازی به شناسایی موازی، به جای این‏که فیدبک¬ها از خروجی شبکه عصبی گرفته شوند، از خروجی سیستم فیدبک گرفته می¬شود. بدین ترتیب خروجی لحظات قبلی سیستم نیز بخش دوم لایه ورودی شبکه را تشکیل می¬دهند. وجود این فیدبک¬ها در ساختار، باعث می¬شود حافظه دینامیکی در شبکه افزایش یافته و معماری ارائه شده برای تخمین توابع غیرخطی مناسب باشد. الگوریتم پس انتشار با توجه به سرعت بالای همگرایی برای آموزش شبکه در نظر گرفته شده است. با توجه به این‏که روش بهینه¬سازی گرادیان کاهشی برای اصلاح وزن¬ها از نرخ یادگیری ثابت استفاده می¬کند و امکان گیر افتادن در مینیمم محلی زیاد است، برای اصلاح وزن¬ها از قوانین تطبیقی روش حداقل مربعات بازگشتی استفاده می¬شود.

similar resources

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 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

شناسایی و کنترل سیستم های غیرخطی با استفاده از شبکه های عصبی موجک بازگشتی

امروزه از شبکه های عصبی در زمینه های تحقیقاتی مختلف مانند محاسبات هوشمند، کنترل، شناسایی، پیش بینی سری های زمانی وغیره استفاده می شود. این شبکه ها به دو گروه شبکه های عصبی پیشرو و شبکه های عصبی بازگشتی طبقه بندی می شوند. شبکه های عصبی پیشرو استاتیکی می باشند به این مفهوم که خروجی آنها فقط به ورودی های فعلی شبکه بستگی دارد و این شبکه ها حافظه ندارند. شبکه های عصبی بازگشتی یک تعمیم از شبکه های عص...

15 صفحه اول

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 کلاسی از سیستم های دینامیکی غیرخطی با 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 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 سی...

15 صفحه اول

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 - دانشکده مهندسی برق و کامپیوتر

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023