در این پروژه پس از آشنایی مقدماتی با هلیکوپترهای بدون سرنشین و مزایا و کاربردهای آن، و پس از بررسی وضعیت کشورمان و نیازهایی که امروزه در این زمینه احساس می شود، مسیر طراحی کنترل کننده ای فازی را دنبال کرده ایم. در این راستا لازم بود که ابتدا با هلیکوپتر و اصول حرکتی آن بصورت مقدماتی آشنا شده، ورودی و خروجی های هلیکوپتر را بشناسیم و اثر اعمال هر ورودی در عملکرد هلیکوپتر را بررسی کنیم. فصل دوم به این مطالب اختصاص یافته است. در فصل سوم با مبانی ریاضی و معادلات حاکم بر حرکت آشنا خواهیم شد. در این فصل همچنین نمادگذاری ریاضی نیز معرفی می گردد؛ این نمادگذاری برای مدل سازی مورد استفاده قرار می گیرد. فصل چهارم به مدل سازی هلیکوپتر اختصاص یافته است. در این فصل یک هلیکوپتر مدل مورد استفاده قرار گرفته و پارامترهای آن بصورت عملی اندازه گیری شده و استفاده شده اند. در پایان نیز با به دست آوردن نقاط تعادل، و بررسی مدل استخراج شده، صحت تقریبی این مدل با عملکرد واقعی هلیکوپتر تأیید شده است. فصل پنجم به بررسی عمیق تر زوایای کنترلی و بررسی نحوه حرکت هلیکوپتر پرداخته است؛ با این بررسی و با توجه به مدل استخراج شده در فصل قبل، با استفاده از ایده خطی سازی پس خور، کنترل کننده ای غیرخطی با رویکردی جدید برای پرواز ایستای هلیکوپتر استخراج شده است. سپس عملکرد این کنترل کننده و پایداری آن مورد بررسی قرار گرفته است. در فصل ششم، ابتدا روش تبدیل کنترل کننده فوق به کنترل کننده عصبی بیان شده است. از این کنترل کننده در بخش های بعدی برای مقایسه عملکرد کنترل کننده ها استفاده شده است. در بخش بعدی این فصل، وارد مراحل تبدیل این کنترل کننده به کنترل کننده فازی شده ایم. در این فصل از چهار کانال کنترلی که در فصل های قبل به آن رسیدیم، موفق به تبدیل دو کانال به کنترل کننده فازی(هم به روش زبانی و هم به روش ) شدیم. در فصل آخر نیز این کنترل کننده در مانورهای هلیکوپتر مورد بررسی قرار گرفته، عملکرد آن با عملکرد کنترل کننده غیرخطی اولیه مقایسه شده است. لازم به ذکر است که اساس این پروژه بر مبنای یک پروژه عملی دستیابی به سیستم خلبان خودکار در یکی از مراکز کشورمان بنا شده بود. نویسنده نیز شخصاً در این پروژه حضور فعال داشته است. ولی متأسفانه به دلیل وجود مشکلات مالی، مرکز مذکور موفق به اتمام این پروژه نشد. امید است که با حل مشکلات و موانعی که در راستای تحقق این مسیر وجود دارد، این پروژه بار دیگر مسیر خود را آغاز نموده، به یک محصول عملیاتی منجر شود.

یکی از مسایلی که از دیرباز مورد توجه محافل علمی بوده است، پیش بینی سری های زمانی و تقریب توابع می باشد. روشهای کلاسیک و هوشمند متعددی در این زمینه معرفی و به کار بسته شده اند. به یقین، یکی از روشهای بسیار موفق در زمینه پیش بینی سری های زمانی، شبکه عصبی می باشد. شبکه های عصبی پرسپترون دو لایه دارای تقریب زنی جهانی بوده و قادر به تخمین هر تابعی در فضای می باشند. به نظر می رسد با افزایش پیچیدگی تابع فعال سازی در نرونهای یک شبکه، بتوان قدرت تقریب زنی آن را افزایش داد. بر همین اساس شبکه مبتنی بر موجک ارایه شده است. در شبکه مبتنی بر موجک، تابع فعال سازی نرونها، یک تابع موجک است. در این پایان نامه سعی شده است که شبکه های مبتنی بر موجک به طور کامل مورد مطالعه قرار گرفته و کاربرد این شبکه ها در مسایل پیش بینی بررسی شود. این پایان نامه، از سه بخش اصلی تشکیل شده است. در بخش اول شبکه پیش خور مبتنی بر موجک، معرفی شده سپس، روشهای مقداردهی اولیه این نوع شبکه توضیح داده می شود. در بخش دوم شبکه بازگشتی مبتنی بر موجک مورد بررسی قرار گرفته و روشی جدید جهت مقداردهی اولیه این نوع شبکه ارایه می شود. در بخش سوم، چگونگی پیاده سازی یادگیری بیزین بر اساس روش مونت کارلوی پیوندی بر روی شبکه مبتنی بر موجک توضیح داده خواهد شد. این نوع یادگیری برای نخستین بار بر روی شبکه های مبتنی بر موجک پیاده سازی شده است. در نهایت برای اولین بار از شبکه های معرفی شده در سه بخش اصلی پایان نامه در مساله پیش بینی بار مصرفی روزهای خاص استفاده می شود. در این پیش بینی، ساختاری جدید جهت مدل کردن بار مصرفی روزهای خاص معرفی شده است. با توجه به کمبود داده های یادگیری در پیش بینی بار روزهای خاص، می توان گفت که شبکه مبتنی بر موجک با یادگیری بیزین از دو شبکه دیگر نتایج بهتری را از خود نشان داده است. اما زمانی که داده آموزش زیاد است، شبکه مبتنی بر موجک با یادگیری «لونبرگ-مارکوات»، از شبکه بازگشتی مبتنی بر موجک و شبکه مبتنی بر موجک با یادگیری بیزین ، دقت بیشتری دارد. در این پایان نامه یک جعبه ابزار با رابط گرافیکی برای شبکه های مبتنی بر موجک پیاده سازی شده که تقریبا تمامی استانداردهای برنامه نویسی شرکت mathworks در این برنامه نویسی رعایت شده است و قابلیت اضافه کردن الگوریتم های مختلف بر روی شبکه مبتنی بر موجک را داراست.

صاختار صنعت برق در بسیاری از کشورهای جهان در حال گذار از فضای انحصاری به فضای رقابتی است. در این فرآیند که تحت عنوان کلی تجدید ساختار در صنعت برق پیگیری می شود، کشورهای مختلف با مدل های متفاوتی در جهت رقابتی کردن این صنعت در حال حرکتند. تجدید ساختار در صنعت برق مسایل مختلف بهره برداری و برنامه ریزی صنعت برق را تحت تاثیر قرار داده است و مسایل جدیدی نیز در این حوزه ها متولد شده اند. در فضای رقابتی صنعت برق و با شکل گیری بازارهای مختلف برای انرژی، یکی از مسایل با اهمیت که نقش کلیدی را در بهره برداری و سودآوری شرکت های تولیدی ایفاء می کند، مسیله ی پیشنهاد قیمت در حراج های انرژی روز قبل می باشد. با توجه به این واقعیت که رقابتی بودن و اطلاعات ناکامل، دو ویژگی جدایی ناپذیر بازار برق می باشد، در تعریف این پایان نامه به آن توجه شده و سیستم انتخاب قیمت استراتژیک، برای ارایه قیمت در بازار روز-قبل انرژی با پرداخت تبعیض آمیز (pay as bid) در نظر گرفته شده است. از الگوریتم q-learning برای مدل کردن یک تامین کننده توان در بازار برق بعنوان یک عنصر تطبیق پذیر مستقل، با بکارگیری حداقل اطلاعات موجود در بازار (قیمت تسویه بازار) استفاده شده است. الگوریتم ql یکی از روش های یادگیری تقویتی است که نیازی به مدل محیط ندارد. در این پایان نامه نشان داده شده که با استفاده از الگوریتم یاد شده می توان رفتار شرکت کنندگان بازار را شناسایی کرده و پیشنهاد قیمت مناسبی برای رسیدن به سود حداکثر ارایه نمود. در مرحله اول تلاش شده با توجه به شیب سطوح هم سود نیروگاه ها، اصلاحاتی برای افزایش سرعت همگرایی الگوریتم ارایه شودو در مرحله دوم، الگوریتم جدیدی بر اساس نشان دار کردن فضای انتخاب قیمت هر تولید کننده جهت افزایش حساسیت الگوریتم ql و پایداری سود دهی در شرایط تغییرات ناگهانی بار، پیشنهاد شده است. برای ارزیابی روش های پیشنهادی از شبکه های تست 5 باس pjm و 30 باس ieee استفاده شده است.

در این رساله به روش تحلیلی، طراحی کنترل کننده تطبیقی به کمک شبکه های عصبی برای سیستمهای ابعاد وسیع نامتمرکز دارای زیر سیستمهای غیر خطی غیر فاین با درجه نسبی کامل انجام شده است. طراحی کنترل کننده به کونه ای است که پایداری زیر سیستمهای حلقه بسته، کل سیستم و همگرایی خطای بین هر زیر سیستم و مدل مرجع آن به سمت صفر، تضمین می شود.رویکرد این رساله به شبکه های عصبی، رویکرد جدیدی است که در چند سال اخیر به آن توجه زیادی شده است. دراین روش در حین طراحی کنترل کننده شبکه های عصبی به عنوان تقریب زن عمومی تابع در نظر گرفته می شوند و روابط آن در کلیه مراحل تحلیل، طراحی کنترل کننده و همچنین اثبات پایداری سیستم حلقه بسته حضور خواهند داشت و در واقع در طی این مراحل است که وزنهای نامعلوم آنها نیز با قضایای که بیان و اثبات خواهد شد بدست می آید. به عبارت دیگر در این رساله آموزش مرسوم شبکه های عصبی که در ان تضمین پایداری وجود ندارد. مورد نظر نیست بلکه روش تحلیلی موردنظر است. شبکه های عصبی در این رساله استفاده می شوند. و عملکرد آنها با یکدیگر مقایسه می شود شامل شبکه های عصبی پایه ای شعاعی و شبکه های عصبی با یک لایه میانی مخفی می باشد جهت اثبات پایداری به روش تطبیقی ابتدا تابع لیاپانف مناسبی تعریف می شود و به کمک قضایای لیایانف علاوه بر اثبات پایداری، کلیه وزنهای شبکه های عصبی (استفاده شده در قانون کنترل) توسط روابط بازگشیتی به صورت روخط طراحی می شود. در حین انجام پروژه مسیله مهم و اساسی که به آن توجه شده است. تداخلات بین زیر سیستها می باشد. تداخلات وارد شده به هر زیر سیستم غیر خطی ناشناخته و کراندار فرض می شود و کنترل کننده تطبیقی برمبنای ساختار شبکه های عصبی به گونه ای طراحی شده است که اثر این تداخلات را بر رفتار کلی سیستم حذف نماید. ذکر این نکته ضروری است که علیرغم اینکه تداخلات وارد شده به هر زیر سیستم نشات گرفته از سایر زیر سیستمها می باشد. ورودی هر کنترل کننده محلی فقط از همان زیر سیستم اطلاعات لازم را دریافت می کند ولی در هر زیر سیستم مشخص است که تداخلات به کدام متغیر حالت وارد می شود. همجنین در این رساله فرض می شود هر زیر سیستم تک ورودی-تک خروجی و متغیرهای حالت آن قابل اندازه گیری و تعداد آنها معلوم می باشد. در ادامه حالت کلی تری از زیر سیستهای غیر خطی غیر افاین نسبت به صورت مسیله تعریف شده در پیشنهاد رساله معرفی شده است. دراین قسمت با قضایایی که ارایه خواهد شد نشان خواهیم داد که برای این حالت جامعر نیاز به طراحی کنترل کننده جداگانه نمی باشد بلکه به کمک نگاشتای که معرفی خواهد شد ابتدا اینگونه از زیر سیستمها به زیر سیستمهای معرفی شده در صورت مسیله تعریف شده در پیشنهاد رساله تبدیل خواهد شد و سپس از کنترل کننده های طراحی شده برای آن می توان استفاده نمود. مزیت این ار این است که با یافتن یک نگاشت و با استفاده از کنترل کننده های موجود می توان این سیستمهای پیچیده تر را کنترل نمود و دیگر نیازی به طراحی کنترل کننده جدید نیست.

محاسبات کسری یک مبحث ریاضی است که در طی چندین دهه اخیر کاربرد آن در علوم مهندسی گسترش چشمگیری داشته است. مهمترین مزیت استفاده از اپراتورهای کسری در مدلسازی و طراحی کنترل کننده ها، ایجاد درجات آزادی بالاتر در طراحی و به منظور بهبود عملکرد سیستم می باشد. مطالعه تحقیقات صورت گرفته نشان می دهد تا کنون به شکل کاربردی از محاسبات کسری در شبکه های عصبی استفاده نشده است. از این رو مهمترین هدف از انجام این پایان نامه بسط و توسعه شبکه های عصبی ساختار یافته با استفاده از محاسبات کسری می باشد. با معرفی اپراتورهای کسری و شیوه های حل معادلات دیفرانسیلی درجه کسری، سیستمهای درجه کسری معرفی و برخی مفاهیم کنترلی توسعه یافته اند. سپس به منظور استفاده از اپراتورهای کسری در ساختار شبکه های عصبی، شبکه هاپفیلد پیوسته مبنای کار برای فرموله کردن مساله قرار گرفته و آنالیز پایداری شبکه هاپفیلد کسری با انتخاب تابع انرژی شبکه به عنوان تابع کاندید لیاپانوف صورت می گیرد. قوانین تنظیم پارامترهای شبکه هاپفیلد کسری برای حل مساله شناسایی پارامترهای سیستمهای خطی درجه صحیح و کسری به طور جداگانه، به گونه ای استخراج می شوند که تابع خطای شناسایی مینیمم شود. نتایج نشان می دهند وجود پارامتر طراحی انتخاب درجه کسری شبکه عصبی، منجر به افزایش اختیارات طراح در کوچک کردن خطای شناسایی و به عبارتی بهبود عملکرد شناساگر کسری در مقابل شناساگر استاندارد شده است. در ادامه به منظور حل مساله شناسایی سیستمهای غیر خطی از ساختار جامع تری برای شبکه های عصبی درجه کسری معرفی شده استفاده می شود. در این شبکه ها که شبکه های عصبی دیفرانسیلی درجه کسری نامیده می شوند. با فرض انطباق کامل شناساگر غیر خطی کسری بر مدل سیستم تحت شناسایی و قابل اندازه گیری بودن تمامی متغیرهای حالت سیستم، قوانین یادگیری بر اساس متد لیاپانوف برای تنظیم پارامترهای شبکه عصبی دیفرانسیلی درجه کسری استخراج شده و اثبات می شود که خطای تخمین به صورت مجانی پایدار جامعه بوده و به صفر میل می نماید. مقایسه شبکه عصبی دیفرانسیلی درجه کسری و درجه صحیح نشان می دهد که استفاده از اپراتورهای کسری در ساختار شبکه های عصبی، افزایش ناحیه جذب، افزایش مقاوت در برابر نویز حالت و انطباق بیشتر مدل شناساگر عصبی بر مدل سیستم غیر خطی را نتیجه می دهد.

ترانسفورماتورها تجهیزاتی حیاتی در سطح انتقال و توزیع در شبکه های قدرت هستند و سهم بزرگی از سرمایه گذاری سیستم های قدرت را به خود اختصاص می دهند بروز خطا در این تجهیزات باعث قطع برق و درنتیجه مضرات اقتصادی بسیاری می گردد. بسیاری از خطاها منجر به خروج ترانسفورماتورها مربوط به سیستم عایق بندی آن ها می باشد و تخلیه جزئی که به صورت تدریجی باعث نابودی عایق می شود. مهم ترین منبع خطا در عایق ترانسفورماتورها می باشد. تشخیص محل این خطا قسمت عمده ای از هزینه های تعمیر را کاهش می دهد. با توجه به این موضوع تحقیقات بسیاری در این رابطه انجام شده و یا جاری است. روش های مکان یابی منبع تخلیه جزئی دارای اهمیت خاصی برای نگهداری و تعمیر ترانسفورماتورها می باشد. این پایان نامه روشی نوین برای تشخیص مکان تخلیه جزئی در سیم پیچ ترانسفورماتورها به کمک شبکه عصبی fuzzy artmap و bayesian ارائه می کند. در این پایان نامه از مدل مشروح برای شبیه سازی ترانسفورماتور استفاده شده است. با مدلسازی منبع پالس های تخلیه جزئی، این پدیده در مکان های مختلف سیم پیچ ترانسفورماتور به کمک نرم افزار empt شبیه سازی شده است سپس جریان ایجاد شده در سر سیم پیچی و نطقه نول اندازه گیری شده و جهت آموزش و آزمون شبکه عصبی از آن ها استفاده شده است. درادامه تخلیه جزئی در عایق بین حلقه ها برریی شده است. در این راستا مکانیزم پدیده تخلیه جزئی به کمک نرم افزار emtp مدل سازی شده است سپس سیم پیچ تحت تست ضربه قرار گرفته است و جریان نقطه نول سیم پیچی ثبت شده است و در نهایت از شبکه های عصبی ذکر شده جریان نقطه نول تحلیل و بررسی شده است. با توجه به اینکه در واقعیت موج های ثبت شده دارای نویز می باشند، به همین دلیل با اعمال نویزهای مختلف بر روی شکل موج های شبیه سازی شده می توان حالت واقعی را تجربه نمود و پاسخ شبکه عصبی مورد استفاده در این پایان نامه را جهت تشخیص صحیح مکان تخلیه جزئی را با وجود نویز بدست آورد شبکه عصبی بکار رفته برای آموزش و آزمون الگوهای تخلیه جزئی در سیم پیچ ترانسفورماتور fuzzy artmap و bayesian می باشد

امروزه منابع تولید پراکنده (dg) ، به عنوان یک منبع تولید توان در شبکه های توزیع بکار برده می-شوند و اثرات بسیار زیادی روی برق شبکه توزیع خواهند داشت. این منابع، دارای مزایای بسیاری مانند کاهش تلفات، افزایش قابلیت اطمینان، بهبود پروفیل ولتاژ، کیفیت توان و ... می باشد. بنابراین، ارائه طرحی بهینه برای نصب این منابع تولید پراکنده، بسیار مهم است. دیدگاه مسأله جهت جایابی، از دید شرکت توزیعی است که خود سرمایه گذار بوده و dgs را در شبکه نصب می کند، با این دیدگاه، علاوه بر قیود فنی، قیود بازاری جهت سرمایه گذاری نیز لحاظ می شود. بنابراین، تابع چند هدفه ای برای تعیین بهینه مکان و توان dg با هدفِ کاهش تلفات، بهبود پروفیل ولتاژ، افزایش قابلیت اطمینان و کاهش هزینه نصبdgs تعیین می شود. مسأله مهم در این تحقیق، انتخاب مناسب روش بهینه سازی است که با بررسی روش های مختلف بهینه سازی و مقایسه مزایا و محدودیت های آنها، الگوریتم های هوشمند را جهت بهینه سازی انتخاب می کند. برای حل این مسأله جایابی، از 4 الگوریتم هوشمند ژنتیک(ga)، بهینه سازی انبوه ذرات (pso)، الگوریتم جستجوی گرانشی (gsa)و بهینه سازی حرکات چشم (emo) استفاده می کند. نتایج نهایی بدست آمده، کارایی این الگوریتم ها را در کاهش هزینه ، بالاخص هزینه تلفات شبکه، نشان خواهد داد. همچنین، با مقایسه نتایج شبیه سازی ها، به این نتیجه خواهیم رسید که دراین مسأله، الگوریتم gsa مناسب ترین روش برای جایابی بهینه منابع تولید پراکنده می باشد.

تسهیلات اعطایی بانک ها یکی از مهم ترین متغیرهای پولی نظام اقتصادی کشور است. از یک سو دولت با تنظیم کانال های وام دهی در بانک های مختلف می تواند در ایجاد و یا جلوگیری از عواملی همچون اشتغال و تورم نقش مهمی ایفا کند، و از سوی دیگر بانک ها می توانند با اعطای وام به بخش تولیدی کشور، کمک کنند. در حقیقت یکی از اساسی ترین وظایف بانک تبدیل پول غیرفعال به پول فعال است و این عمل را از طریق جذب سپرده از افراد ریسک گریز و تزریق پول به بنگاه های اقتصادی فعال، تولیدی ها و یا افراد ریسک پذیر انجام می دهد. این روش چرخه ی تولیدی و اقتصادی کشور را به حرکت درمی آورد، از این رو عملکرد قوی یا ضعیف بانک های یک کشور در توسعه و پیشرفت و یا انحطاط اقتصاد کشور بسیار موثر است. لذا در این پژوهش برآنیم که عوامل موثر بر این متغیر مهم اقتصادی، یعنی تسهیلات اعطایی را شناسایی و آن را مدل سازی کنیم. در این راستا می خواهیم تأثیر سپرده های مردمی که در بانک ها به امانت گذاشته می شوند را بر تسهیلات اعطایی بانک ها به مردم ارزیابی نماییم. با توجه به این مطالب دو سوال پیش می آید، سوال اول اینکه آیا نوع بانک روی تسهیلات اعطایی بانک ها تأثیرگذار است یا خیر؟ و سوال دوم اینکه آیا مدل سازی به روش خطی برای توضیح این روابط بهتر است یا مدل سازی به روش های نوین غیرخطی؟ به همین منظور و در راستای پاسخ گویی به این سوالات داده های مربوط به 18 بانک را در سال های 1382 تا 1389 جمع آوری و با استفاده از نرم افزارهای مختلف مدل سازی از جمله eviews و clementine به ارزیابی این داده ها پرداختیم. در این پژوهش با استفاده از مدل سازی به روش خطی به دنبال پاسخ گویی به سوال اول بودیم. سپس برای پاسخ به سوال دوم، مدل خطی را به روش رگرسیون در مقابل مدل غیرخطی به روش شبکه ی عصبی بیزین قرار دادیم. معیار برتری در این پژوهش پیش بینی متغیر وابسته به روش درونی در نظر گرفته شده و با استفاده از مدل های خطی و غیرخطی تسهیلات اعطایی بانک ها را در سال 1389 پیش بینی و با مقادیر واقعی مقایسه کردیم. سپس پیش بینی های انجام شده و اختلافات آنها از مقادیر واقعی را در مدل خطی و غیرخطی با هم مقایسه نمودیم تا ببینیم کدام یک از مدل ها انتظارات ما را بهتر برآورده می کنند. در پایان به این نتیجه رسیدیم که سپرده های مردم نزد بانک ها تأثیر مثبت و معناداری در بانک های خصوصی نسبت به بانک های دولتی دارند. از سویی مدل خطی و غیرخطی هر دو در توضیح متغیر وابسته بسیار موفق بوده اما با توجه به اینکه معیار برتری در این مطالعه قدرت پیش بینی در نظر گرفته شده، مدل غیرخطی نسبت به مدل خطی کارایی بیشتری دارد، زیرا مدل غیرخطی پیش بینی های بهتر و به واقعیت نزدیک تری را نسبت به مدل خطی ارائه می دهد. فاصله ی پیش بینی ها در مدل غیرخطی از واقعیت همواره به یک میزان بوده و روند یکنواختی را طی می کند که این امر نشان از قدرت پیش بینی به صورت فراگیر است. به همین سبب مدل غیرخطی از قدرت پیش بینی بهتری برخوردار است.

از دیرباز وقوع خطا و اتصال کوتاه یکی از مسائل اجتناب ناپذیر خطوط انتقال بوده است. این خطاها در شبکه های قدرت موجب بروز خساراتی سنگین در تجهیزات شده و تلفات جانی و مالی بسیاری را نیز در پی داشته اند. بنابراین می بایست تا جای ممکن خطاها را سریع تر و صحیح تر تشخیص داده و اجازه باقی ماندن خطا به مدت طولانی در شبکه را ندهیم. تلاش مهندسین برق در طی سالیان گذشته موجب دستیابی به روش های متنوعی در زمینه تشخیص نوع و مکان خطا شده است. در این میان می توان به روش هایی از قبیل آنالیز فرکانسی و استفاده از معادلات حاکم برمدار، شبکه های عصبی مختلف مانند multi layer perceptron, back propagation , radial basis function و غیره، الگوریتم ژنتیک و سیستم های fuzzy اشاره کرد. تمامی این روش ها به دنبال یافتن راهی مطمئن، سریع و با قابلیت پیاده سازی در صنعت بوده اند که در این بین به نتایج بسیار مفیدی نیز دست یافته اند. اتصال کوتاه موجب پیدایش اغتشاشاتی در سیستم قدرت می شود، که این مسئله به معنای به وجود آمدن امواجی با فرکانس های بالاتر از فرکانس شبکه و دارای شکل موج غیر سینوسی می باشد. در نتیجه به منظور تحلیل درست تر شبکه در حالت اتصال کوتاه از مدل های محاسباتی پیچیده ای که برای فرکانس های بالاتر مطرح شده است، استفاده می شود. با توجه به این که امکان وقوع اتصال کوتاه تک فاز نسبت به سایر خطاها بیشتر می باشد. بنابراین مطالعات بیشتری بر روی این خطا انجام گرفته و از مدل قوس اولیه به منظور شبیه سازی دقیق تر این خطا استفاده شده است. به منظور شبیه سازی خط انتقال نیز از دقیق ترین مدل موجود یعنی مدل j.marti استفاده شده است، که خط مورد نظر در این پایان نامه، خط انتقالی 400 kv با طول 160 کیلومتر، تک مداره و دارای باندل 4 تایی می باشد. در طی این پایان نامه سعی بر این است که کاربرد دو شبکه عصبی دیگر را در تشخیص نوع خطا و همچنین مکان وقوع آن در خطوط انتقال فشار قوی مورد بررسی و تحلیل قرار گیرد. بدین منظور شبکه عصبی fuzzy artmap و شبکه radial basis function با یادگیری bayesian به عنوان ابزارهایی برای تشخیص مکان و نوع اتصال کوتاه در یک خط انتقال فشار قوی مورد بررسی قرار گرفته و نتایج به دست آمده با نتایج موجود از سایر شبکه ها مقایسه شده اند.

تمرکز این پایان نامه بر روی همکاری بین عامل ها برای رسیدن به یک ساختار مشخص (آرایش بندی) در محیط پیچیده می باشد. آرایش بندی سیستم های چند عاملی به عنوان مجموعه ای از رفتارهای سطح بالا در نظر گرفته شده است. این رفتارها با اجرای زنجیره ای از رفتارهای مشخص ساده (رفتارهای سطح پایین) اجرا می شوند. در مقایسه با رفتارهای سطح پایین، این نوع رفتارها قابل یادگیری می باشند و می توان آنها را از دانش شخصیت خبره بدست آورد. عمل یادگیری با مشاهده اعمال این فرد صورتگ رفته و به صورت زنجیره رفتارهای پشت سر هم سطح پایین اجرا می شود. به منظور دست یابی به این امر از شبکه عصبی fuzzy artmap به صورت ماژولار استفاده شده است. با ترکیب دانش بدست آمده از فرد خبره و رفتارهای سطح پایین می توان به یک مدل هوشمند از وی دست یافت که توانایی مدل کردن رفتارهای او را دارا می باشد. در این پایان نامه بر پایه استنتاج مفهومی، استفاده از رفتارهای سطح بالا و شبکه عصبی به ایجاد یک چهارچوب جدید در یادگیری سیستم های چند عاملی پرداخته شده است. بطوریکه برای اولین بار از هوش محاسباتی در مدل رفتارگرا برای آرایش بندی عامل ها استفاده شده است. الگوریتم ارائه شده در این پایان نامه پایدار می باشد. آرایش بندی بر این اساس انعطاف پذیر بوده و دارای قابلیت بسط می باشد. همچنین دانش فرد خبره به صورت قوانین اجرایی (اگر-آنگاه ) از شبکه عصبی fam قابل استخراج است. روش ارائه شده بر روی محیط شبیه سازی ربات های فوتبالیست دو بعدی پیاده شده است. نتایج شبیه سازی نشان دهنده آن است که الگوریتم ارائه شده بر پایه fam نسبت به bpnn در برابر نویز مقاوم تر بوده، خطای آن کمتر و سرعت همگرایی آن بیشتر می باشد.

سیستمهای فضای حالت غیر خطی گسسته زمان از جایگاه ویژه ای در بسیاری از مسائل عملی نظیر تعقیب هدف، رباتیک، کنترل آماری و پیش بینی سری های زمانی برخوردار می باشد چرا که هر یک از مسائل مورد بحث را می توان با استفاده از یک مدل فضای حالت غیر خطی تشریح نمود. لذا مسئله شناسایی و کنترل این سیستمها اخیرا مورد توجه بسیاری از محققین قرار گرفته است. در این پایان نامه هدف بررسی کارکرد الگوریتم ماکزیمم سازی مشاهدات و فیلتر ذره ای در بحث شناسایی و کنترل سیستمهای غیر خطی فضای حالت می باشد . ابتدا مسئله شناسایی به صورت نوعی تخمین توام حالت و پارامتر تعریف می شود و سپس روشهای روی خط شناسایی بحث خواهند شد. در اینجا پس از مروری کلی بر روشهای تخمین حالت روی خط نظیر روش های مبتنی بر کالمن و الگوریتمهای ترتیبی مونت کارلو، روش روی خط ماکزیمم سازی مشاهدات معرفی خواهد شد. جهت بهبود دقت و سرعت همگرایی الگوریتم، از تلفیق روش گرادیان طبیعی بهره گرفته شده و عملکرد روش مورد بحث با الگوریتمهای دوگان مقایسه خواهد شد. قسمت دیگر این پایان نامه به شناسایی کور و کنترل سیستمهای فضای حالت می پردازد جایی که شبکه های عصبی شعاعی پایه و چند لایه به عنوان ساختارهای غیر خطی معرفی می شوند. هدف این بخش بررسی نحوه اعمال الگوریتم ماکزیمم سازی مشاهدات برای تخمین حالتهای مخفی و پارامترهای شبکه های عصبی معرفی شده می باشد. جهت این کار هموارسازهای ذره ای به عنوان ابزاری قوی جهت تخمین پارامتر معرفی می شوند. سپس نشان داده خواهد شد که چگونه می توان از تلفیق هموارساز ذره ای و الگوریتم ماکزیمم سازی مشاهدات به عنوان ابزاری قوی در شناسایی کور و کنترل مدل مرجع سیستمهای غیر خطی و غیر خوشرفتار بهره گرفت. در انتها نیز کاربرد روشهای پیشنهادی در تعقیب چند هدفه، آموزش شبکه های عصبی، تخمین حالت در سیستمهای غیر خطی، پیش بینی سریهای زمانی با فقدان داده و کنترل مدل مرجع سیستمهای غیر خطی بحث خواهد شد. نتایج شبیه سازی دقت و قابلیت مناسب الگوریتم ماکزیمم سازی مشاهدات را در مسائل شناسایی و کنترل نشان می دهد.

مسئله رخداد خطا و طرز برخورد با آن، همواره به عنوان یکی از مسائل مهم و قابل توجه در طراحی سیستم ها مطرح بوده است. هرچه ابعاد سیستم ها بیشتر می شود، آثار ناشی از رخداد خطا و خرابی افزایش می یابد. بنابراین این مسئله در سیستم های با ابعاد وسیع اهمیت بسیار زیادی دارد. در این سیستم ها، به دلیل مشکلات ناشی از مدلسازی و وجود عدم قطعیت فراوان و افزایش انواع خطا، روش های مبتنی مدلسازی و کنترل مقاوم کاربرد زیادی ندارند. از این رو در این سیستم ها مبحث تحمل پذیری خطا معرفی می شود. تحمل پذیری خطا، به قابلیتی از سیستم اشاره دارد که سیستم را توانا می سازد، تا حتی در صورت بروز خطا، توانایی پوشش دادن خطا و جلوگیری از خرابی را فراهم نماید. با توجه به نیاز به وجود عامل هایی با قابلیت درک و استدلال، روش های موجود در سیستم های چندعاملی برای تحمل پذیری خطا، برروی سیستم هایی قابل پیاده سازی می باشد که بتوان آنها را به صورت مجموعه ای متشکل از چند عامل درنظر گرفت. در این تحقیق بر روی دسته خاصی از سیستم های ابعاد وسیع، که در اکثر کاربردهای کنترلی و اتوماسیون صنعتی کاربرد دارند، تمرکز شده است. در این پایان نامه، هدف بهبود روش های تحمل پذیری خطا با استفاده از تکنولوژی عامل ها و مفاهیم مرتبط با آنها می باشد. برای این منظور یک شاخص بهینه سازی برای هر عامل به صورت ترکیبی از قابلیت اطمینان و قابلیت زمانبندی معرفی می شود و با استفاده از یکی از روش های بهینه سازی غیرخطی، این مسئله برای هر عامل به صورت تحلیلی حل می شود. در این تحقیق از روش تعامل اقتصادی بین عامل ها به منظور تحمل پذیری خطا، استفاده شده است. سپس این روش به الگوریتم گروه بندی دینامیکی رایج برای تحمل پذیری خطا اضافه شده است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی علاوه بر دارا بودن ویژگی های روش های قبلی، بسیاری از محدودیت های این روش ها را ندارد و دارای ویژگیهایی مانند سهولت در قابلیت توسعه، قابلیت اطمینان بیشتر و بهبود نتایج می باشد. علاوه بر این موارد این روش ذاتا یک روش تحمل پذیر در برابر خطا می باشد و قابلیت استفاده عام دارد.

در این پژوهش ابتدا بستری مناسب برای پیاده سازی کنترل کننده ی تطبیقی بر روی هواپیمای بدون سرنشین انتخاب شده است. به منظور انجام این تحقیق لازم بود تا پرنده ای انتخاب شود که رژیم پروازی آن در حین پرواز تغییرات سریعی داشته باشد. پس از تست های متعدد بر روی هواپیماهای مختلف، مدل جدیدی بنام مونوکوپتر مورد بررسی قرار گرفت که با توجه به وجود دینامیک غیرخطی، می توانست گزینه مناسبی برای پیاده سازی و تست کنترل کننده های غیرخطی و تطبیقی باشد. مونوکوپتر، پرنده ایست تک باله و چرخنده که دارای تنها یک عملگر و بالک کنترلی است. ایده ی اصلی این پرنده از چرخش برگ افرا گرفته شده است. این پرنده قابلیت انجام پرواز عمودی را دارد و از لحاظ مفهوم کنترلی شباهت زیادی به سیستم تغییر جهت پیشرانه روتور در چرخ بال ها دارد. از طراحی و ساخت اولین مدل مونوکوپتر در جهان حدود 6 سال میگذرد. لذا به منظور طراحی و ساخت این پرنده چه از لحاظ آیرودینامیکی و چه از لحاظ گشتاورهای لختی وارد شده، تستهای متعددی انجام شد و در نهایت سیستم نهایی ساخته شده و تست پروازی مدل بدون کنترل آن انجام گرفت. افزایش سرعت دوران پرنده موجب افزایش سرعت جریان هوا بر روی بال می شود که این پدیده موجب تغییر در رژیم پروازی و تغییر مدل دینامیکی پرنده می شود. برای کنترل این سیستم که مدل دینامیکی آن در حال تغییر است، لازم است از کنترل کننده تطبیقی استفاده شود. که این کنترل کننده بر اساس نظریه بهره زیاد طراحی شده است. بدیهی است که برای پیاده سازی سخت افزاری آن یک مجموعه به عنوان کامپیوتر پرواز، طراحی و ساخته شد. که این مجموعه شامل دو میکروکنترلر و سیستم تعیین زوایای وضعیت و سمت و سیستم های واسط سخت افزاری متعددی می باشد. پس از پیاده سازی الگوریتم های کنترلی و انجام تست های پروازی، نسبت به عملکرد سیستم، راستی آزمایی به عمل آمد و نتایج حاصل قانع کننده است.