طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال با استفاده از روش های هوشمند – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:114
قالب بندی:word قابل ویرایش

نحوه خرید

طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال با استفاده از روش های هوشمند – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب
۱ چکیده
۲ مقدمه
۴ فصل اول : کلیات
۵ ° ۱- ۱) هدف
۵ ° ۱- ۲) پیشینه تحقیق
۶ ° ۱- ۳) روش کار و تحقیق
۷ فصل دوم : کنترل نویز فعال
۸ ° ۲- ۱) نویز صوتی
۹ ° ۲-۱-۱) خواص آماری نویز
۱۲ ° ۲- ۲) حذف نویز
۱۲ ° ۲- ۳) سیستم کنترل نویز فعال
۱۳ ° ۲-۳-۱) کنترل نویز فعال با ساختار feedforward
۲۷ ° ۲-۳-۲) کنترل نویز فعال با ساختار فیدبک
۱۵ ° ۲- ۴) الگوریتم ها در سیستم کنترل نویز فعال
۱۶ ° ۲-۴-۱) الگوریتم مورد استفاده در کنترل فعال نویز با ساختار feedforward
۱۶ ° ۲-۴-۲) تاثیر مسیر ثانویه
۱۸ filtered X‐Least Mean Square الگوریتم (۳-۴-۲ °
۲۱ فصل سوم : شبکه های عصبی و کاربرد آن در سیستم های کنترلی
۲۲ ° ۳- ۱) ساختار پرسپترون چند لایه
۲۴ ° ۳- ۲) آموزش شبکه چندلایه
۲۵ feedforward شبکه عصبی (۳ -۳ °
۲۷ ° ۳- ۴) شبکه عصبی بازگشتی
° ۳- ۵) ساختار کنترلی شبکه های عصبی ۲۹
۲۹ ° ۳-۵-۱) کنترل کننده پایدارساز ثابت
۳۰ ° ۳-۵-۲) کنترل معکوس تطبیقی
۳۱ ° ۳-۵-۳) کنترل مدل داخلی غیرخطی
۳۱ ° ۳-۵-۴) کنترل مدل پیشگو
۳۲ ° ۳-۵-۵) کنترل مدل مرجع
۳۳ ° ۳- ۶) ساختار سیستم کنترل مدل مرجع بر مبنای شبکه عصبی
۳۴ ° ۳-۶-۱) آموزش کنترل مدل مرجع با الگوریتم Backpropagation برای شبکه عصبی بازگشتی
۳۵ ° ۳-۶-۲) آموزش شبکه NNI با استفاده از الگویتم backpropagation
۳۶ ° ۳-۶-۳) آموزش شبکه NNC با استفاده از الگویتم backpropagation
۳۷ ° ۳- ۷) الگوریتم filtered‐x backpropagation برای کنترل فعال نویز
۴۱ فصل چهارم : شبیه سازی کنترل نویز فعال با استفاده از شبکه های عصبی
۴۲ ° ۴- ۱) پیاده سازی سیستم
۴۳ ° ۴- ۲) بررسی حذف نویز بدون در نظرگرفتن کنترلر
° ۴- ۳) شناسایی سیستم داکت با شبکه عصبی ۴۶
° ۴- ۴) شبکه عصبی کنترل فعال نویز برای سیستم خطی بدون در نظرگرفتن تاثیر مسیرثانویه ۵۳
° ۴- ۵) شبکه عصبی کنترل فعال نویز برای سیستم خطی با کنترل فعال نویز ۵۵
° ۴-۵-۱) شبیه سازی با نویز موتور ۵۵
° ۴-۵-۲) شبیه سازی با نویز سفید ۶۳
° ۴- ۶) شبکه عصبی کنترل فعال نویز برای سیستم غیرخطی با کنترل فعال نویز ۶۵
° ۴-۶-۱) شبیه سازی با نویز موتور ۶۵
° ۴-۶-۲) شبیه سازی با نویز سفید ۷۲
° ۴- ۷) مقایسه ۷۴
۷۵ فصل پنجم : نتیجه گیری و پیشنهادات
۷۷ ° نتیجه گیری
۷۷ ° پیشنهادات
۷۸ پیوست ها
۸۲ منابع و ماخذ
۸۲ ° فهرست منابع لاتین
۸۳ ° سایت های اطلاع رسانی
۸۴ چکیده انگلیسی

چکیده:
در این پایان نامه ابتدا به بررسی نویز و خواص آماری آن که اثر مسـتقیم بـر روی قابلیـت پیشـگوییسیگنال دارد، می پردازیم. ساختار کنترل فعال نویز با دو چیدمان فیدبک و feedforward را توضیح می دهیم. پس از آن ساختار فیلترها و الگوریتم حاکم بر آنها و چگـونگی تعیـین ضـرایب فیلترهـا در کنتـرلکننده ها و همچنین الگوریتم FX‐LMS در ساختار کنترل فعال نویز feedforward به طور کامل توضیح داده می شود. در ادامه به بررسی شبکه هـای عصـبی و کـاربرد آنهـا در سـاختارهای کنترلـی پرداختـه و نوع feedforward و بازگشتی شبکه عصبی به همراه معادلات، تعداد ضرایب وخصوصیاتشـان بیـان مـیشود. پس از معرفی شبکه های عصبی به بررسی کاربرد آنها در ساختارهای کنترلـی پرداختـه و در ادامـهساختار کنترل مدل مرجع را با شبکه عصبی بازگشتی پیاده سـازی کـرده و معـادلات لازم بـرای آمـوزششبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت را معرفی می کنیم و از این سـاختار بـرای سیسـتمکنترل فعال نویز استفاده می کنیم. در ابتدا با یک شبکه عصبی feedforward سیستم را شناسایی کرده و از آن به تنهایی و بدون درنظرگرفتن تاثیر پلنت (مسیر ثانویه) برای حذف نـویز اسـتفاده مـی کنـیم. در گام بعدی کنترل فعال نویز را با دو شبکه عصبی کنترل کننـده و شـبکه عصـبی مـدل پلنـت بـرای یـکسیستم خطی شبیه سازی نموده و این کنترل کننده را برای دو نوع نویز سفید و نویز موتور مورد بررسـیقرار می دهیم. در انتها، سیستم خطی را با درنظرگرفتن عوامل غیرخطی بلندگو به یک سیستم غیرخطـیتبدیل کرده و قابلیت سیستم کنترل فعال نویز با شبکه عصبی بازگشتی را در یک سیسـتم غیرخطـی بـه منظور حذف نویز مورد مطالعه قرار می دهیم.

مقدمه:
نویز یک صوت ناخواسته می باشد. که هر یک دارای یک سطح از قدرت می باشد. نویزهای با قدرت بالا آزاردهنده هستند و می توانند مضراتی برای سلامتی انسان، سیستم های مخابراتی و دیگر سیستم ها داشته باشند. با توجه به خصوصیات نویز مانند فرکانس و خواص آماری آن مانند تابع خودهمبستگی ، روش مناسبی برای آن انتخاب می شود.
روش کلاسیک حذف نویز، روش غیرفعال است که در آن از عایق بندی صوتی استفاده می شود که برای دسته خاصی از نویزها، آنها که دارای فرکانس بالا می باشند مورد استفاده قرار می گیرد. در روش الکترونیکی که همان روش فعال نامیده می شود از کنترل کننده فعال نویز استفاده می شود که این روش نیز برای نویزهایی با فرکانس پائین مناسب است. در این کنترل کننده ، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف است تا بتواند با ترکیب با نویز اولیه آنرا حذف نماید و ایجاد سکوت کند. برای این کار به یک بلندگو که سیگنال کنترلی یا حذف کننده را پخش می کند و یک سنسور برای اندازه گیری خطا احتیاج میباشد. در روش کلاسیک استفاده از کنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی
مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یک کنترل کننده استفاده می شود. در این روش ها الگوریتم با استفاده از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می کند.
در روش هوشمند برای ساختن کنترل کننده به جای فیلتر از شبکه های عصبی استفاده می کنیم و به جای الگوریتم های LMS,… از الگوریتم هایی مانند backpropagation, filtered‐X backpropagation,… استفاده می کنیم. شبکه های عصبی به صورت موفقیت آمیزی به منظور تقریب، شناسایی و کنترل بر روی سیستم های دینامیک اعمال می شوند. شبکه های عصبی به خوبی می توانند در ساختارهای کنترلی نظیر Adaptive inverse control , Model predictive control,Nonlinear model control, Model reference control ایفای نقش کنند. زمانی که از شبکه های عصبی استفاده می شود باید ابتدا وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد که این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش تعیین می شوند. در مرحله آموزش معمولاً داده های ورودی و خروجی مطلوب برای شبکه عصبی مشخص می شود. ساختار شبکه عصبی که چگونگی اتصال نرون ها در یک لایه و از لایه ای به لایه دیگر را نشان می دهد بر اساس میزان سرعت و پیچیدگی و حجم شبکه بوجود آمده تعیین می شود. ساختارهای متعارف شبکه عصبی ساختار feedforward, recurrent,… می باشند. بعد از زمان آموزش و برای داده های بعدی که به شبکه های عصبی وارد می شود این خود شبکه است که برای خروجی تصمیم می گیرد. به همین جهت است که شبکه های عصبی جزو روش های هوشمند به شمار می آیند.
برای ایجاد یک کنترل کننده فعال نویز با شبکه عصبی باید از ساختار Model reference control استفاده نمود. در این ساختار دو شبکه عصبی وجود دارد. (الف) شبکه عصبی مدل پلنت (ب) شبکه عصبی کنترل کننده.
شبکه مدل پلنت برای در نظر گرفتن تاثیر مسیر ثانویه است و قبل از آموزش شبکه کنترل کننده باید آموزش ببیند. از طریق روش شناسایی سیستم، پلنت را مدل می کنیم. کنترل کننده را به گونه ای آموزش می دهیم که بتواند سیگنال آنتی نویزی تولید کند که از پلنت عبور کرده و در عین حال رفتار مدل مرجع را دنبال کند. این شبکه عصبی کنترل کننده با توجه به مسیری که قرار است نویز طی کند یک سیگنال کنترلی تولید می کند که این سیگنال پس از طی مسیر ثانویه با نویز اصلی ترکیب شده و باید بتواند تا حدودی آنرا خنثی نماید. از الگوریتم filtered‐x backpropagation برای آموزش کنترل کننده استفاده می کنیم. میزان موفقیت آمیز بودن حذف نویز توسط سنسور خطا اندازه گیری می شود.
شبیه سازی ها را در حالت های مختلف و بر روی یک سیستم داکت با دو ورودی نویز متفاوت انجام می دهیم. همچنین سیستم را در دو حالت خطی و غیرخطی نیز بررسی خواهیم نمود.

نتیجه گیری
شبکه های عصبی توانایی بسیار خوبی در تقریب توابع ناشناخته دارند. شبکه های عصبی می توانند در ساختار کنترل مدل مرجع به خوبی نقش مدل پلنت و کنترل کننده را اجرا کنند. با نتایج خوبی که در شبیه سازی ها بدست آمد می توانیم به خوبی شبکه های عصبی را جایگزین فیلترهای تطبیقی در سیستم های کلاسیک کنترل فعال نویز کنیم. همچنین این شبکه ها به خاطر عملکرد غیرخطی و وجود شبکه های بازگشتی در ساختارشان می توانند نقش فیلترهای تطبیقی غیرخطی در سیستم های کنترل فعال نویز غیرخطی را نیز بازی کنند.
از طرف دیگر موفقیت عملکرد کنترل کننده ها به نویز ورودی به سیستم نیز بستگی دارد. شرط لازم برای رسیدن به نتیجه اینست که سیگنال ورودی به سیستم دارای تابع خودهمبستگی باشد و هرچقدر مقدار این تابع بیشتر باشد سیگنال قابلیت پیشگویی بیشتری دارد.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت

آخرین مطالب

مطالب مرتبط