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
( 1 – 1مقدمه 16
( 2 – 1قواعد یادگیری پایه 16
( 3 – 1شبکههای سنتی 17
( 1 – 3 – 1شبکه عصبی هاپفیلد 17
( 2 – 3 – 1شبکه بولتزمن 20
( 3 – 3 – 1شبکه پرسپترون چند لایه MLPا ) 21
( 4 – 3 – 1شبکه عصبی کوهنن 23
25 LVQ1 ( 1 – 4 – 3 – 1
26 LVQ2 ( 2 – 4 – 3 – 1
26 LVQ3 ( 3 – 4 – 3 – 1
( 5 – 3 – 1شبکه عصبی مبتنی بر نظریه تشدید وفقیARTا  )27
28 ART1 ( 1 – 5 – 3 – 1
( 6 – 3 – 1شبکه عصبیRBFا 29
( 7 – 3 – 1شبکههای عصبی بازگشتی 30
( 1 – 7 – 3 – 1شبکههای عصبی مرتبه اول 31
( 2 – 7 – 3 – 1شبکههای عصبی مرتبه دوم 31
( 4 – 3 – 1مشکل تداخل یا فراموشی در شبکههای عصبی و راههای مقابله با آن 34
( 5 – 1شبکههای عصبی با ساختار جدیدتر 35
( 1 – 5 – 1شبکه عصبی درختیNTNا ) 35
( 2 – 5 – 1شبکه خود انجمنی اصلاح شده 36
3 – 5 – 1   ( شبکههای عصبی Modularا 37
4 – 5 – 1   ( شبکههای عصبی Recirculationا 38

5 – 5 – 1  ( شبکه عصبیFuzzy ARTMAPا 39
( 6 – 5 – 1شبکه عصبی بازگشتی مرتبه بالاRHONNا  )43
( 1 – 6 – 5 – 1مدلهای شبکههای عصبی مرتبه بالا 43
( 6 – 1نتیجهگیری 46
فصل دوم : روشهای کلاسیک شناسایی سیستم
( 1 – 2اصول شناسایی سیستم 48
( 1 – 1 – 2ساختارهای مدل غیر خطی برپایه شبکههای عصبی 53
( 2 – 1 – 2تعیین ضابطه 54
( 3 – 1 – 2مروری بر روش حداقل مربعات 55
( 4 – 1 – 2فیلتر وینر 58
( 5 – 1 – 2فیلترهای خطی تغییر ناپذیر با زمان 58
( 6 – 1 – 2فیلتر وینر با پاسخ ضربه محدودFIRا  ) 59
( 2 – 2انواع روشهای شناسایی سیستمها 61
( 1 – 2 – 2روش تخمین حداقل مربعات 62
( 2 – 2 – 2روش حداقل مربعات بازگشتی 64
( 3 – 2 – 2روش حداقل مربعات توسعه یافته 65
( 3 – 2ساختارهای مدل کردن سیستم 66
1 – 3 – 2 ( مدل ARX ا 67
2 – 3 – 2 ( مدل ARMAXا 68
( 3 – 3 – 2خطا در انواع مدلها 69
1 – 3 – 3 – 2  (مدل ARARXا 69
2 – 3 – 3 – 2  ( مدل ARMAXا 70
3 – 3 – 3 – 2   ( مدل ARMAا 70
( 4 – 3 – 3 – 2ساختار خطای خروجیOEا  )70

( 5 – 3 – 3 – 2ساختار باکس جنیکسBJ ا ) 71
( 4 – 2اعتبار تخمین 71
( 1 – 4 – 2آزمون تابع خود همبستگی 72
( 3 – 4 – 2آزمون تغییر علامت 76
فصل سوم : شناساسیی سیستم توسط شبکههای عصبی
( 1 – 3استفاده از شبکه عصبی بازگشتی قطری برای شناسایی سیستم 78
( 1 – 1 – 3روش آموزش پسانتشار خطای پویا 80
( 2 – 1 – 3همگرایی و پایداری 82
( 2 – 3شناسایی سیستمهای خطی گسسته توسط شبکههای عصبی بازگشتی 86
( 3 – 3شناسایی سیستمهای غیرخطی پویا توسط شبکه عصبی بازگشتی و مبتنی بر فیلتر کالمن 91
( 1 – 3 – 3شبکه عصبی رگرسیون تعمیم یافتهGRNN ا )92
( 2 – 3 – 3شناسایی بر پایه اندازه گیری تمام حالات 93
( 3 – 3 – 3ساختارهای روئیتگر مستقیم و بازگشتی 95
( 4 – 3 – 3آموزش GRNNتوسط روشهایEKF ا 97
( 5 – 3 – 3خصوصیت تقریبRHONN ا 100
( 1 – 5 – 3 – 3روش یادگیری 100
RHONN ( 2 – 5 – 3 – 3برپایه فیلتر خطا 106
( 4 – 3استفاده از شبکه عصبی فازی برپایه الگوریتم ژنتیک برای مدلسازی و کنترل سیستمهای پویا 107
( 1 – 4 – 3مروری بر الگوریتم ژنتیک 109
( 2 – 4 – 3وضعیت مدل عصبی – فازیN F ا )111
( 3 – 4 – 3روش پیشنهادی آموزش چندگانه 115
( 1 – 3 – 4 – 3مرحله اول یادگیری 115
( 2 – 3 – 4 – 3مرحله دوم یادگیری 116
( 3 – 3 – 4 – 3مرحله سوم یادگیری 118
( 5 – 3چندی سازی برداری فازی 118

( 1 – 5 – 3آموزش فازی چندی سازی برداری ) روش آموزش ( 120
( 2 – 5 – 3آموزش فازی چندی سازی ) ساختار شبکه ( 121
( 6 – 3مدلسازی با استفاده از شبکههای عصبی فازی 122
( 7 – 3پیشبینی مدل و کنترل سیستمهای غیر خطی توسط شبکه عصبی عمومی خودسازمانده 128
( 1 – 7 – 3مدل سازی شبکه عصبی توسط روش یادگیری خود ساز مانده عمومی 128
( 8 – 3کنترل مدل پیشبین برپایۀ مدل یادگیری عمومی خودسازمانده 131
فصل چهارم : شبیهسازی
( 1 – 4شبیهسازی شبکه بازگشتی قطری برای شناسایی سیستم 138
( 2 – 4شبیهسازی شبکه عصبی – فازی برای شناسایی سیستم 141
( 3 – 4شبیه سازی شبکه عصبی Fuzzy ARTMAPبرای شناسایی سیستم 146
( 4 – 4شبیه سازی شبکه عصبی ARTMAPبرای شناسایی سیستم 154
( 5 – 4شبیهسازی شبکه عصبی RBFبرای شناسایی سیستم 155

فصل پنجم : نتیجه گیری و پیشنهادات
( 1 – 5مقایسه بین شبیهسازیهای انجام شده 161
( 2 – 5نتیجه گیری 161
( 3 – 5پیشنهادات 163
ضمیمه 164
منابع فارسی 176
منابع غیر فارسی 177

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 200مقاله ( 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