طراحی ، شبیه سازی و بررسی عملکرد ساختارهای نوین شبکه های عصبی در پیش بینی مدل سیستم ها – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:180
قالب بندی:pdf غیر قابل ویرایش

نحوه خرید

طراحی ، شبیه سازی و بررسی عملکرد ساختارهای نوین شبکه های عصبی در پیش بینی مدل سیستم ها – 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

فصل اول : آشنایی مختصری با شبکههای عصبی معمولی و بررسی شبکههای عصبی مدرن
( ۱ – ۱مقدمه ۱۶
( ۲ – ۱قواعد یادگیری پایه ۱۶
( ۳ – ۱شبکههای سنتی ۱۷
( ۱ – ۳ – ۱شبکه عصبی هاپفیلد ۱۷
( ۲ – ۳ – ۱شبکه بولتزمن ۲۰
( ۳ – ۳ – ۱شبکه پرسپترون چند لایه MLPا ) ۲۱
( ۴ – ۳ – ۱شبکه عصبی کوهنن ۲۳
۲۵ LVQ1 ( 1 – 4 – ۳ – ۱
۲۶ LVQ2 ( 2 – ۴ – ۳ – ۱
۲۶ LVQ3 ( 3 – 4 – ۳ – ۱
( ۵ – ۳ – ۱شبکه عصبی مبتنی بر نظریه تشدید وفقیARTا  )۲۷
۲۸ ART1 ( 1 – ۵ – ۳ – ۱
( ۶ – ۳ – ۱شبکه عصبیRBFا ۲۹
( ۷ – ۳ – ۱شبکههای عصبی بازگشتی ۳۰
( ۱ – ۷ – ۳ – ۱شبکههای عصبی مرتبه اول ۳۱
( ۲ – ۷ – ۳ – ۱شبکههای عصبی مرتبه دوم ۳۱
( ۴ – ۳ – ۱مشکل تداخل یا فراموشی در شبکههای عصبی و راههای مقابله با آن ۳۴
( ۵ – ۱شبکههای عصبی با ساختار جدیدتر ۳۵
( ۱ – ۵ – ۱شبکه عصبی درختیNTNا ) ۳۵
( ۲ – ۵ – ۱شبکه خود انجمنی اصلاح شده ۳۶
۳ – ۵ – ۱   ( شبکههای عصبی Modularا ۳۷
۴ – ۵ – ۱   ( شبکههای عصبی Recirculationا ۳۸

۵ – ۵ – ۱  ( شبکه عصبیFuzzy ARTMAPا ۳۹
( ۶ – ۵ – ۱شبکه عصبی بازگشتی مرتبه بالاRHONNا  )۴۳
( ۱ – ۶ – ۵ – ۱مدلهای شبکههای عصبی مرتبه بالا ۴۳
( ۶ – ۱نتیجهگیری ۴۶
فصل دوم : روشهای کلاسیک شناسایی سیستم
( ۱ – ۲اصول شناسایی سیستم ۴۸
( ۱ – ۱ – ۲ساختارهای مدل غیر خطی برپایه شبکههای عصبی ۵۳
( ۲ – ۱ – ۲تعیین ضابطه ۵۴
( ۳ – ۱ – ۲مروری بر روش حداقل مربعات ۵۵
( ۴ – ۱ – ۲فیلتر وینر ۵۸
( ۵ – ۱ – ۲فیلترهای خطی تغییر ناپذیر با زمان ۵۸
( ۶ – ۱ – ۲فیلتر وینر با پاسخ ضربه محدودFIRا  ) ۵۹
( ۲ – ۲انواع روشهای شناسایی سیستمها ۶۱
( ۱ – ۲ – ۲روش تخمین حداقل مربعات ۶۲
( ۲ – ۲ – ۲روش حداقل مربعات بازگشتی ۶۴
( ۳ – ۲ – ۲روش حداقل مربعات توسعه یافته ۶۵
( ۳ – ۲ساختارهای مدل کردن سیستم ۶۶
۱ – ۳ – ۲ ( مدل ARX ا ۶۷
۲ – ۳ – ۲ ( مدل ARMAXا ۶۸
( ۳ – ۳ – ۲خطا در انواع مدلها ۶۹
۱ – ۳ – ۳ – ۲  (مدل ARARXا ۶۹
۲ – ۳ – ۳ – ۲  ( مدل ARMAXا ۷۰
۳ – ۳ – ۳ – ۲   ( مدل ARMAا ۷۰
( ۴ – ۳ – ۳ – ۲ساختار خطای خروجیOEا  )۷۰

( ۵ – ۳ – ۳ – ۲ساختار باکس جنیکسBJ ا ) ۷۱
( ۴ – ۲اعتبار تخمین ۷۱
( ۱ – ۴ – ۲آزمون تابع خود همبستگی ۷۲
( ۳ – ۴ – ۲آزمون تغییر علامت ۷۶
فصل سوم : شناساسیی سیستم توسط شبکههای عصبی
( ۱ – ۳استفاده از شبکه عصبی بازگشتی قطری برای شناسایی سیستم ۷۸
( ۱ – ۱ – ۳روش آموزش پسانتشار خطای پویا ۸۰
( ۲ – ۱ – ۳همگرایی و پایداری ۸۲
( ۲ – ۳شناسایی سیستمهای خطی گسسته توسط شبکههای عصبی بازگشتی ۸۶
( ۳ – ۳شناسایی سیستمهای غیرخطی پویا توسط شبکه عصبی بازگشتی و مبتنی بر فیلتر کالمن ۹۱
( ۱ – ۳ – ۳شبکه عصبی رگرسیون تعمیم یافتهGRNN ا )۹۲
( ۲ – ۳ – ۳شناسایی بر پایه اندازه گیری تمام حالات ۹۳
( ۳ – ۳ – ۳ساختارهای روئیتگر مستقیم و بازگشتی ۹۵
( ۴ – ۳ – ۳آموزش GRNNتوسط روشهایEKF ا ۹۷
( ۵ – ۳ – ۳خصوصیت تقریبRHONN ا ۱۰۰
( ۱ – ۵ – ۳ – ۳روش یادگیری ۱۰۰
RHONN ( 2 – ۵ – ۳ – ۳برپایه فیلتر خطا ۱۰۶
( ۴ – ۳استفاده از شبکه عصبی فازی برپایه الگوریتم ژنتیک برای مدلسازی و کنترل سیستمهای پویا ۱۰۷
( ۱ – ۴ – ۳مروری بر الگوریتم ژنتیک ۱۰۹
( ۲ – ۴ – ۳وضعیت مدل عصبی – فازیN F ا )۱۱۱
( ۳ – ۴ – ۳روش پیشنهادی آموزش چندگانه ۱۱۵
( ۱ – ۳ – ۴ – ۳مرحله اول یادگیری ۱۱۵
( ۲ – ۳ – ۴ – ۳مرحله دوم یادگیری ۱۱۶
( ۳ – ۳ – ۴ – ۳مرحله سوم یادگیری ۱۱۸
( ۵ – ۳چندی سازی برداری فازی ۱۱۸

( ۱ – ۵ – ۳آموزش فازی چندی سازی برداری ) روش آموزش ( ۱۲۰
( ۲ – ۵ – ۳آموزش فازی چندی سازی ) ساختار شبکه ( ۱۲۱
( ۶ – ۳مدلسازی با استفاده از شبکههای عصبی فازی ۱۲۲
( ۷ – ۳پیشبینی مدل و کنترل سیستمهای غیر خطی توسط شبکه عصبی عمومی خودسازمانده ۱۲۸
( ۱ – ۷ – ۳مدل سازی شبکه عصبی توسط روش یادگیری خود ساز مانده عمومی ۱۲۸
( ۸ – ۳کنترل مدل پیشبین برپایۀ مدل یادگیری عمومی خودسازمانده ۱۳۱
فصل چهارم : شبیهسازی
( ۱ – ۴شبیهسازی شبکه بازگشتی قطری برای شناسایی سیستم ۱۳۸
( ۲ – ۴شبیهسازی شبکه عصبی – فازی برای شناسایی سیستم ۱۴۱
( ۳ – ۴شبیه سازی شبکه عصبی Fuzzy ARTMAPبرای شناسایی سیستم ۱۴۶
( ۴ – ۴شبیه سازی شبکه عصبی ARTMAPبرای شناسایی سیستم ۱۵۴
( ۵ – ۴شبیهسازی شبکه عصبی RBFبرای شناسایی سیستم ۱۵۵

فصل پنجم : نتیجه گیری و پیشنهادات
( ۱ – ۵مقایسه بین شبیهسازیهای انجام شده ۱۶۱
( ۲ – ۵نتیجه گیری ۱۶۱
( ۳ – ۵پیشنهادات ۱۶۳
ضمیمه ۱۶۴
منابع فارسی ۱۷۶
منابع غیر فارسی ۱۷۷

چکیده :
همانطور که از عنوان برمیآید ، هدف شناسایی سیستم توسط شبکههـای عصـبی میباشد . در گذشته شبکههای عصبی مختلف برای شناسایی سیسـتم بـهکـار بـرده شـده است. دراینجا هدف این است که این کار را با شبکههای عصبی جدیدتر انجام دهیم. در این بررسی در فصل اول ابتدا مروری بر شبکههای عصبی رایـج کـرده و سـپسبکههای عصبی جدیدتر را مورد بررسی قرار میدهـیم . در ادامـه در فصـل دوم بـه بیـان روشهای مرسوم شناسایی سیستم خواهیم پرداخت. در فصل سوم روشهای شناسایی سیستم مبتنی بـر شـبکههـای جدیـدتر را مـورد بررسی و مطالعه قرار میدهیم . در این میان توجه خاصی به شـبکههـای عصـبی ترکیبـی خواهیم داشت . شبکههای عصبی مرکب از منطق فازی و شـبکههـای عصـبی ویـا Neuro Fuzzyاز اهمیت خاصی برخور دار هستند .همچنین شبکههای عصبی بازگشـتی بـه دلیـل داشتن حافظه کاربرد مناسبی برای شناسایی سیستم دارا میباشند . در نهایـت بـه مرحلـه شبیهسازی و آزمایش این شبکه میرسیم .که علاوه بر بررسی ویژگیهای این شبکهها ، در مورد یک سیستم خاص نیز به مقایسه رفتارهای آنها نیز میپردازیم.

مقدمه :

کنترل علمی است که هر روزه به دامنه کاربرد آن در رشـتههـای مختلـف افـزوده میشود . از رشتههای فنی گرفته تا علوم اجتمـاعی و سیاسـی مـیتـوان حضـور کنتـرل را مشاهده کرد . یکی از اولین ابزارهایی که در یک تحیل کنترلی به آن نیازمندیم ، در دست داشتن مدل ریاضی مناسب برای سیستم مورد بررسی میباشد. در فرآینـدهایی کـه رفتـار فیزیکی سیستم ، طبق قوانین فیزیکی قابل بیان باشد معمولا هرچنـد سـخت ، ولـی مـدل سیستم قابل دست یابی میباشد . ولی در اکثر سیستمها از بیان کردن رفتـار فیزکـی آنهـا ناتوان میباشیم و یا فقط در یک بازه محدود از ورودیها مـیتـوانیم رفتـار سـیتم را مـدل نمائیم . شناسایی و پیشبینی مدل سیستمها شاخهای از کنتـرل اسـت کـه ایـن امکـان را فراهم میآورد تا مدل ریاضی مناسبی از رفتار سیستم در آینـده در دسـت داشـتهباشـیم و بتوانیم روشهای مختلف کنترلی را برای کنترل کردن آن سیستم آزمایش نمائیم . در این میان استفاده از شبکههای عصبی برای شـناختن رفتـار سیسـتم ، جایگـاه خاصی را به خود اختصاص داده است .

نتیجه گیری
مهندسی که با مواردی از قبیل مشخصات و پیشبینی رفتار سیستم مورد نظر سر وکار دارد موارد زیـر را پیش روی خواهد داشت :
– چگونه می توانم از اطلاعاتی که از طریق مشاهده سیستم بدست آوردهام خصوصیات مدل سیستم را تعیین کنم؟ – چگونه میتوانم بفهمم که مدل واقعا خوب است و چگونه میتوانم به آن در شبیه سازی و طراحی در فرآیند مورد نظر اعتماد کنم؟ – چگونه میبایست سیگنال ورودی را مهار کنم تا بیشـترین اطلاعـات ممکـن را راجـع بـه سیستم بدست آورم؟ – چه نوع از نرمافزارهای موجود عمل مورد نظر را پشتیبانی میکنند؟ در این تحقیق سعی براین بوده است تا به سولات فوق پاسخ مناسبی داده شـود . بـرای انجـام این تحقیق مقالات و پایان نامههای ) دکتری و کارشناسی ارشد ( مختلفی را مورد بررسی قـرار دادهام. که حجم زیادی را به خود تخصیص دادهاند. ) بیش از ۲۰۰مقاله ( اما همانطور که ملاحظه نمودهایـد،

این تحقیق بخش کوچکی از دنیای شبکههای عصبی و شناسـایی سیسـتم را بـه خـود اختصـاص داده است. و میطلبد که در تحقیقهای دیگر به بخشهای دیگری از این زمینه گسترده بپردازیم . برای انجام شبیهسازیها از نرم افزار Matlabاستفاده شده است . جعبه ابزار شبکههای عصـبی در این نرمافزار خیلی ناقص بوده و بسیاری از شبکههای مدرن را پشـتیبانی نمـیکنـد بنـابراین بـرای شبیهسازی این شبکههای عصبی مجبور به نوشتن کدهای مورد نظر شدم. همانطور که در متن این پایان نامه ملاحظه نمودید بسیاری از شـبکههـای عصـبی کـه بـرای شناسایی سیستم مورد استفاده قرار میگیرند مبتنی بـر منطـق فـازی مـیباشـند . بـرای تحقـق ایـن شبکهها از عملیات بسیار ساده فازی استفاده شده است . اگر بخواهیم از روابط فازی به صورت گسترده استفاده نمائیم ، برای انجام این عملیات دچار مشکل زمان خواهیم شد چـرا کـه ایـن عملیـات بسـیار زمانبر میباشند. الگوریتمی تحت عنوان General Algorithmتوسط دکتر منهاج ارائه شده است که با
همکاری یکدیگر به تحقق آن پرداختهایم . همچنین یک Tnormجدید نیز توسط بنده ارائه شده اسـت که در فرایند محاسبات فازی مورد استفاده قرار میگیرد.
شبکههای عصبی مختلفی را برای شناسایی سیستم مورد استفاده قرار دادم به نظر بنده شبکه عصبی میتواند در فرایند شناسایی سیستم مفید باشد که حداقل دو مورد زیر را داشته باشد:
• بخش تاخیر ) بخشی از ورودیها و خروجیهای گذشته (
• بخش منطق فازی
مورد اول کمک میکند تا در فرایند آموزش رفتار سیستم را در اثر حرکـات قبلـی مـورد مطالعـه قـرار دهیم وبخش دوم یعنی منطق فازی سبب مقاومت شبکه عصبی درمقابل تغییرات ) چه در سیگنالهای وروردی و چه در پارامترهای سیستم ( میشود.

پیشنهادات
– از مواردی که بنده درحین کار متوجه شدم میتوان مورد بررسی قرار داد، شبکههای عصبی مبتنی بر Waveletمیباشد. Waveletیک تبدیل میباشـد کـه در حـوزه کـاری شناسـایی سیسـتم چندسالی است که وارد شده است وشبکههای عصبی مربوطه نیز برای شناسایی سیستم مورد اسـتفاده قرار میگیرند. و این زمینه مناسبی برای ادامه این تحقیق میباشد.
– در ادامه این تحقیق امکان این موضوع فراهم میشود که از روشهایی که مورد بررسـی قـرار گرفتهاند در یک فرآیند کنترلی استفاده نمود . در آن صورت میتوان خصوصیات این روشـها را توسـط ابزارهای سنجش کنترلی مورد بررسی قرار داد.
– همانطور که ملاحظه نمودید روشهای مختلف شناسـایی سیسـتم و پـیشبینـی رفتـار آنهـا توسط شبکههای عصبی مختلف مورد بررسی قرار گرفتند . ایـن شـبکههـای عصـبی بـه دو جهـت بـا یکدیگر متفاوت بودند . اول ، به علت ساختار و اتصالات بـین نرونهـای عصـبی خـود . دوم ، بـه علـت روشهای یادگیری و آموزش . در مورد اول یعنی ساختار شبکههای عصـبی روشـهای مختلفـی توسـط محققان مورد بررسی قرار گرفته است ولی در مورد دوم میدان گستردهای برای تحقیق فراهم میباشد. پیشنهاد این است که روشهایی مورد بررسی قرار گیرند که مبتنی بر فرآیند یادگیری در انسان باشـند و این یادگیری موجب از بین رفتن اطلاعات قدیمی نشود.

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