طراحی و شبیه سازی کنترل کننده پیش بین مبتنی برمدل فازی-عصبی سیستم های غیرخطی چند متغیره با استفاده ازبهینه سازی گرادیان کاهشی – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:102
قالب بندی:word قابل ویرایش

نحوه خرید

طراحی و شبیه سازی کنترل کننده پیش بین مبتنی برمدل فازی-عصبی سیستم های غیرخطی چند متغیره با استفاده ازبهینه سازی گرادیان کاهشی – 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 چکيده
۲  مقدمه
فصل اول:کليات
۶ ۱- ۱هدف :(کنترل پيش بين مبتني بر مدل و مفاهيم آن) 6
۷ ۱- ۲تعاريف اوليه 7
۸ ۱- ۳معرفي اصول کنترل پيش بين مبتني بر مدل 8
۹ ۱- ۴مراحل طراحي کنترل پيش بين 9
۹ ۱- ۵نمودار بلوکي MPCض 9
۱۰ ۱- ۵- ۱مدل پيش بين 10
۱۰ ۱- ۵- ۲تعيين ورودي کنترلي بهينه 10
۱۱ ۱- ۵- ۲-۱تابع هدف 11
۱۲ ۱- ۶-مزايا و معايب کنترل پيش بين مبتني بر مدل 12
۱۲ ۱- ۷- کنترل پيش بين مبتني بر مدل غيرخطي 12
فصل دوم:کنترل پيش بين مبتني بر مدلهاي هوشمند(مدل شبکه عصبي،مدل فازي،مدل فازي-عصبی) و روشهاي بهينه سازي درکنترل پيش بين

۱۵ ۲- ۱- مقدمه 15
۱۶ ۲- ۲- مدلسازی 15
۱۶ ۲- ۲- ۱-شبکه هاي عصبي 16
۱۷ ۲- ۲- ۱-۱-کنترل پيش بين غيرخطي مبتني بر شبکه عصبي 17
۱۷ ۲- ۲- ۱-۲-مدلسازي سيستم غيرخطي توسط شبکه هاي عصبي 17
۱۹ ۲- ۲- ۲سيستمهاي فازي 19
۲۰ ۱- ۲- ۲-۲نگاهي بر رياضيات فازي 20
۲۳ ۲- ۲- ۲-۲مدلسازي سيستمهاي فازي از روي داده هاي ورودي-خروجي 23
۲۵ ۲- ۲- ۲-۳-کنترل پيش بين غيرخطي مبتني بر مدلهاي فازي 25
۲۵ ۲- ۲- ۲-۴-مدلسازي سيستم غيرخطي توسط منطق فازي 25
۳۱ ۲- ۲- ۳مدلسازي سيستم غير خطي توسط شبکه هاي فازي-عصبي 31
۳۳ ۲- ۲- ۳-۱سيستم فازي- عصبي شبه ARMAX ض 33
۳۳ ۲- ۲- ۳-۲سيستم فازي- عصبي تطبيقی 33
۳۵ ۲- ۳- بهينه سازی 35

۳۵ ۲- ۳- ۱بهينه سازي به روش گراديان کاهشي 35
۳۶ ۲- ۳- ۱-۱-روش گراديان کاهشي با باقيمانده 36
۳۸ ۲- ۳- ۱-۲-روش گراديان نزولي بدون باقيمانده 38
۳۸ ۲- ۳- ۲تأثيرη بر سرعت همگرايی وناپايداری سيستم 38
۳۹ ۲- ۳- ۳-عيب روش گراديان کاهشي 39
۳۹ ۲- ۳- ۴-راه حلهاي پيشنهادي براي خروج از مينيمم هاي محلي 39
۴۳ ۲- ۳- ۵-حل مسأله بهينه سازي توسط شبکه هاي عصبي 43
فصل سوم:شبيه سازي کنترل پيش بين مبتني بر مدل فازي-عصبي بر روي يک فرآيند سه تانکه تنظيم ارتفاع مايع
۴۶ ۳- ۱- مقدمه 46
۴۶ ۳- ۲- توصيف فرآيند 46
۴۷ ۳- ۳تعيين مدلي براي سيستم تحت کنترل،جهت کنترل پيش بين خروجيهاي آينده سيستم و استفاده از آنها در کمينه سازي تابعي 47
۴۷ ۳- ۳- ۱-مدلسازي سيستم با استفاده از شبکه عصبي 47
۴۹ ۳-۳-۱-۱-ايجاد داده هاي آموزش،داده هاي درستي وداده هاي امتحان 49
۵۴ ۳- ۳- ۲-مدلسازي سيستم با استفاده از شبکه فازي-عصبي 54
۵۴ ۳- ۴- طراحي کنترل پيش بين مبتني بر مدل عصبي- فازي براي فرآيند تنظيم ارتفاع مايع در سه تانک 54
۵۹ ۳- ۴- ۱-بررسي اثر افقهاي پيش بين و کنترل در عملکرد رديابي مسيرمرجع NMPCص 59
۶۰ ۳- ۴- ۲-بررسي اثر ضرايب وزني در عملکرد رديابي مسيرمرجع NMPC ص 60
۶۵ ۳- ۵- طراحي کنترل پيش بين مبتني بر مدل عصبي- فازي برروی فرآيند دوم 65
فصل چهارم:نتيجه گيری و ارائه پيشنهادات
۷۲ ۴- ۱- جمع بندی و نتيجه گيری 72
۷۳ ۴- ۲- پيشنهادات برای کارهای آينده 73
۷۵ ۷۶ منابع و مآخذ 75
فهرست منابع فارسی75

فهرست منابع لاتين 76
چکيده انگليسی 77

چکيده:
در اين پروژه،کنترل پيش بين غيرخطي بر پايه مدل عصبي-فازي جهت کنترل فرآيندهاي چند ورودي-چندخروجي ارائه شده است .بخش عصبي از شبکه المان بازگشتي اصلاح شده و بخش فازي-عصبي از مدلفازي-عصبي تطبيقيANFIS براي مدلسازي استفاده کرده است.بـراي جمـع آوري داده هـا جهـت شناسـاييمدل،۲۰۰۰۰ داده از دستورrandgen نرم افزارMATLAB به دست آمده است.اين روش شـامل خـصوصياتجالب کنترل پيش بين کلاسيک است .به علت اينکه از روش گراديان کاهشي ،که يـک الگـوريتم روشـن وساده است؛ براي حل مسأله بهينه سازي استفاده مي کند، با همگرايي بيشتري به نقطه بهينه تلاش کنترلـي مـيرســيم.مــشکلات ايــن روش بهينــه ســ ازي را بــا الگوريتمهــاي اثبــات شــده (مــدل وارونه،انــدازه حرکــت وηخودتنظيم) به ميزان قابل توجهي برطرف نمـوده ايـم. جهـت بررسـي عملکـرد ايـن روش کنترلـي بـررويفرآيندهاي چند ورودي-چند خروجي ازفرآيند تنظيم ارتفاع مايع در سه تانک که به مخزن جمع آوری مايع متصل اند،استفاده شده است.نتايج شبيه سازيها نشان مي دهندکه مدل فـازي-عـصبي ارائـه شـده در شناسـاييفرآيندهاي غيرخطي بسيار توانا بوده و يک مدل مناسب از فرآيندرا شناسايي مي کنـد.همچنـين کنتـرل پـيشبين مبتني بر اين مدل (فازي-عصبي) در ميزان فراجهش و زمان نشست،داراي عملکرد بهتری است.

کليــد واژه:کنتــرل پــيش بــين غيرخطــي چندمتغيره،مــدل فــازي-عــصبي،بهينه ســازي بــه روش گراديــانکاهشي،فرآيند تنظيم ارتفاع مايع در تانک.

مقدمه:
امروزه لزوم كنترل بهينه سيستمهاي غير خطي چند متغيره به منظور رسيدن به پايداري و پاسخمطلوب بيشتر احساس مي شود . با توجه به گـسترش روز افـزون و پيـشرفت تکنولـوژي در زمينـه پيـادهسازي محاسبات حجيم و پيچيـده,امکـان اسـتفاده از الگوريتمهـاي غيـر خطـي مربـوط بـه سيـستمهايچندورودي/چند خروجي ايجاد شده است.اين امر باعث شده است که در سالهاي اخير محققـين بـسياريدر اين زمينه تحقيقات زيادي انجام داده و الگوريتمهاي مناسب تري ارائه دهند.تکنيکهاي طراحي بـسيارکمي وجود دارند که مي توانند پايداري پروسه را در حضور مشخصات غيـر خطـي و محـدوديتها تـضمينکنند.کنترل پـيش بـين مبتنـي بـر مـدل١ (MPC) يکـي از ايـن تکنيکهاسـت[۶] . MPCبـه دسـته ايازالگوريتمهاي کامپي وتري اشاره دارد که رفتار آينده پروسه را از طريق استفاده از يـک مـدل صـريح از آن فرآيند کنترل مي کند.الگوريتمMPC در هر بازه کنترلي يک دنبالـه حلقـه بـاز از تنظيمـات متغيرهـايدستکاري شونده (MV) را جهت بهينه سازي رفتار آينده پروسه محاسبه مي کنـد.اولـين ورودي دنبالـهبهينه به پروسه اعمال گرديده و عمليات بهينه سازي در بازه هاي کنترلي ديگـر تکـرار مـي شـود[۶] . بـاتوجه به خواص بسيار مطلوب کنترل کننده هاي پيش بين مبتني بـر مـدل ،ايـن کنتـرل کننـده هـا بـهسرعت در محدوده وسيعي از صنايع مختلف به کار گرفته شدند.طوري که تا سـال ۱۹۹۶ بـيش از ۲۲۰۰ مورد پياده سازي عملي از اين کنترل کننده ها که مدل خطي را به کار برده اند،گزارش شده است.اين درحاليست که حدود ۸۰ درصد اين پياده سازي ها در صنايع پتروشيمي مـي باشـد [۷و۸]. امـروزه ،کـاربردکنترل کننده هايMPC بر اساس مدلهاي ديناميک خطي ،محدوده وسيعي از کاربردهـا را پوشـش مـيدهدو MPC خطي به حد کمال رسيده اسـت [۹] .بـا ايـن وجـود ،تعـدادي از فرآينـدهاي توليـدي ذاتـاﹰ غيرخطي هستندو حالتهايي وجود دارند که در آنها اثرات غير خطي اهميت زيادي مي يابد و قابـل چـشمپوشي نيست.اينها حداقل دو دسته وسيع از کاربردها را در بر مي گيرند[۶] :
۱-مسائل کنترل تنظيمي که فرايند به شدت غيرخطي بوده و به طور متوالي در معرض اغتشاشات بزرگقرار دارد(کنترل pHو….).
۲-مسائل کنترل تعقيبي که نقاط کار عملياتي به تناوب تغيير مي کندو محدوده وسـيعي از ديناميکهـايفرايند غير خطي را پوشش مي دهد(صنايع پليمري،سنتز آمونياک و…..).
در اينگونه مسائل اغلب مدلهاي خطي براي توصيف ديناميکهاي فراينـد نامناسـب اسـت و مـدلهاي غيـرخطي بايستي مورد استفاده قرار گيرند.کنترل پيش بـين غيرخطـي (NMPC) توسـعه خـوبي از کنتـرلپيش بين خطي به جهان غيرخطي است. NMPCاز نظر مفهومي شبيه همتاي خطي خـود اسـت بـا ايـنتفاوت که براي بهينه سازي و پيش بيني فرايند از مدلهاي ديناميک غير خطي استفاده مي گردد[۹].
مدلسازي سيستمهاي غير خطي از سه راه عمـده قابـل انجـام اسـت.راه اول اسـتفاده از مـدلهايمختلف براي نقطه ها ي گوناگون کار سيستم است.راه دوم استفاده از معادلات پايه اي مانند تبديلات جرمو انرژي است که در اکثر کاربردها به علت پيچيدگي فرآيند اين کار مـشکل اسـت.راه سـوم و بهتـرين راهاستفاده از مدلهاي جعبه سياه و تنها براساس داده هاي ورودي-خروجي يا به عبارتي شناسايي فرايند ميباشد.در واقع مدلسازي تجربي پروسه ، تبديل داده هاي ورودي وخروجي موجود بـه يـک رابطـه ورودي-خروجي است که مي توان براي پيش بيني رفتار آينده سيستم از آن استفاده کرد[۹].مدلهاي مختلفي بـراساس مدلسازي تجربي ارائه شده اند.مدلهاي ارائه شده را مي توان به ۲ دسته کلاسيک و هوشمند تقسيمبندي کرد .از مدلهاي کلاسـيک مـي تـوان بـه مـدلهاي ولتـرا١ ، چنـد جملـه ايNARMAX ، مـدلهايهمرشتاين و وينر٢ اشاره کردو براي مدلهاي هوشمند مي توان مدلهاي عصبي،عصبي-فازي و فازي را نـامبرد[۱۰].
به طور خاص مدلهاي عصبي و فازي داراي ساختار ساده اي هستند که کاربردشان را درNMPC آسان مي کند.شبکه ها ي عـصبي مـصنوعي ابزارهـاي مناسـبي جهـت سـاختن مـدل فرآينـد غيرخطـي هستند.زيرا نسبت به روشهاي کلاسيک،توسعه آسانتري يافته اند،پيچيدگي معادلات ديفرانـسيل معمـولي را ندارنـد،حجم محاسـبات NMPCدر آنهـا کـم و قابليـت تقريـب پروسـه هـا را بـا هـر دقـت دلخـواهي دارند[۷و۸].مدل عصب ي براي مسائ ل کنترل به خصوص سيستمهاي پيچيده که مدلـسازي آنهـا يـا ميـسرنيست و يا به سختي انجام مي شود،بسيار مناسب مي باشد.
مدلهاي فازي را م ي توان بـه عنـوان يـک سيـستم دينـاميکي غيرخطـي در نظـر گرفـت کـه قادرنـدسيستمهاي واقعي را هر چقدر پيچيده ،از روي داده هاي تجربي و براساس محاسبات عددي با دقت خاص تقريب بزنند . همچنين مدلهاي فازي بدليل سازگاري بـا منطـق بـشري و اسـتفاده از آنهـا در ترکيـب بـاالگوريتم هاي MPC خطي،جزء روشهاي مناسب مدلسازي غير خطي مي باشند[۹و۱۰].
دومين بخش در کنترل پيش بين غير خطي ، بخش بهينه سازي و کنترل است.کنترل پيش بينغير خطي يک استراتژي کنترلي است که کاربرد روشهاي بهينه سازي در آن ضروري است.بهينـه سـازيدر NMPCنسبت به حالتهاي خطي نيازمند محاسبات طولاني و وقت گيرتري اسـت [۱۹].در حالـت کلـيودر اغلب حالات ،مسائل کنترل بهينه NMPCبه يک مسأله برنامه ريزي غير خطي٣ (NLP) ابعاد محدود منجر مي گردند.اين مسأله برنامه ريزي غير خطي ، با استفاده از برنامه ريزي مربعي ترتيبي٤ (SQP) قابلحل اس ت[۲۰و۲۱].با توجه به مقالات و منابع موجود، بيشتر مسائل بهينه سازي توسط روشهاي کلاسيکمانند روشQP،SQP حل مي شوند[۲۲و۲۳]. همچنين روشهاي هوشمند ماننـد الگـوريتم هـاي ژنتيـک[۲۴] و شبکه هاي عصبي [۲۵]و منطق فاز ي وعصب ي- فازي [۲۶] نيز در حل مسأله مـورد اسـتفاده قـرارگرفته اند.
در اين پايان نامه،کنترل پيش بـين مبتنـي بـر مـدل عـصبي- فـاز ي جهـت کنتـرل فراينـدهاي چندورودي-چند خروج ي ارائه شده است.دربخش مدلسازي از مدلسازي عصب ي-فازي استفاده م ي شودکه بر رو ي سيستمها ي MIMO تعميم زده شده است.سيستم ابتدا با اين روش مدلـسازي و سـپس بـا روشپيش بين جهت رسيدن به خروجيهاي مطلوب،ورود ي کنترلي تعيين وبدين ترتيب سيـستم کنتـرل مـي شود. ثابت مي شودکه مدل فازي به دليل سـازگاري بـا منطـق انـسان،جزء روشـهاي مناسـب مدلـسازي

1 Voltera Models
2 Hammerstein and Wiener models
3Nonlinear Programming
4 Sequntial Quadratic Programming
سيستمهاي غيرخط ي م ي باشد .در نرم افزارMATLAB،روش پيش بين عصب ي- فاز ي به منظور مقايـسه ونتيجه گير ي بهترنسبت به روش پيش بين عصبي انجام شده است و نتايج حاصـل از هـردو روش بـا هـممقايسه شده است.پس از اين مقدمه،مباحث اصلي پايان نامه با ساختاربندي زير ارائه خواهدشد.
در فصل اول،کنترل پيش بين مبتني بر مدل و مفاهيم آن مورد بررسـي قـرار مـي گيـرد. بخـشهاي مختلف اين کنترل کننده ها،مزايا، معايب و همچنين مفاهيم کنترل پيش بـين غيرخطـي در ايـن فـصلارائه خواهدشد .در فصل دوم،کنترل پيش بين مبتني بر مدلهاي هوشمند (مدل عصبي،مدل فـازي و مـدلعصبي- فاز ي)ارائه م ي گردد [۳۷].بخشهاي مدلساز ي سيستمها ي غيرخط ي توسط شـبکه هـاي عـصبي ومنطق فاز ي و مدل عصبي- فاز ي و نحوه کار هر يک در اين فصل خواهد آمـد.در ادامـه ،روشـهاي بهينـهسازي در کنترل پيش بين ارائه مـي شـود.در فـصل بعـد شـبيه سـازي حاصـل از اعمـال ايـن روشـهاي کنترلي(پيش بين مبتني بر شبکه هاي عصبي و پـيش بـين مبتنـي بـر مـدل عـصبي- فـازي و مقايـسهروشهای بهينه سازی گراديان کاهشی و فانکشنال) بر روي دو سيستمMIMO (۲ ورودي /۲ خروجي )،اولي شامل يک فرايند با ۳ تانک مايع،که هدف رسـيدن ارتفـاع مـايع در ايـن تانکهـا بـه مقـدار مطلـوب مـيباشد[۳۷]،ودومي شامل يک سيستم دو ورودي دو خروجي که معادلات حالت آن موجود مـي باشـد و درمرجع شماره [۳۶] معرفي گرديده،انجام شده است و نتايج با يکديگر مقايـسه شـده انـد.نتيجـه گيـري وپيشنهادات براي کارهاي بعدي نيز در قسمت پاياني پايان نامه ارائه خواهدشد.

جمع بندی ونتيجه گيري:
در اين پايان نامه ،يک کنترل کننده پيش بين غيرخطي بر پايه مدل فازی-عصبی جهت کنترل فرآيندهاي چند ورودي- چندخروجي ارائه شد.دربخش عصبي از شبکه المان بازگشتي اصلاح شده و بخش فازي-عصبي از مدل فازي-عصبي تطبيقي ANFIS براي مدلسازي استفاده شده است.براي جمع آوري داده ها جهت شناسايي هر دو مدل،۲۰۰۰۰ داده از دستورrandgen نرم افزار MATLAB به دست آمد.استفاده ازجعبه ابزار randgenبراي v1,v2اين مشکل را بوجود می آورد که هر دو ورودي با هم برابر مي شدند،لذا با اعمال تأخيرزماني وثابت کردن هرکدام از وروديها در بازه هاي زماني که نسبت به هم اول می باشند، باعث ايجاد توابع اتفاقي کاملاﹰ مستقل از هم شديم.براي ايجاد داده هاي درستي آموزش نيز ازهمان روش استفاده کرديم.تعداد داده هاي درستي آموزش را ۱۰۰۰ عدد انتخاب نموديم.داده هاي امتحان آموزش به طريق مشابه ۴۰۰ داده انتخاب شدند.در فصل دوم به بحث مدلسازي براي کنترل پيش بين هوشمند پرداخته وشبکه هاي عصبي و منطق فازي و شبکه های فازی- عصبی را معرفي کرديم.همانطور که ديديم شبکه هاي عصبي پيچيدگي معادلات ديفرانسيل حاکم بر فرآيندها که در روشهاي مدلسازي مبتني بر اصول اوليه وجود دارندرا حذف مي کنند.نکته قابل توجه در خصوص اين مدلها اين است که برونيابي شبکه هاي عصبي به خوبي روشهاي مبتني بر اصول اوليه نيست.منطق فازي هم جزء روشهاي غيرخطي مناسب مي باشد.اما نياز به فرد خبره براي استخراج و انتخاب مجموعه هاي فازي از محدوديتهاي اين روش مدلسازي است.گفتيم که شبکه هاي فازي-عصبي مزاياي مدلسازي فازي و عصبي را دارند. شبکه های عصبی در مدل فازی-عصبی قادر به ساختن قوانين زياد و منطق فازی قادر به ساختن خروجی قطعی برای مدلسازی سيستمهای غيرخطی چند متغيره می باشند،اما پيچيدگي آنها بيشتر از روشهاي فازي و عصبي مي باشدو روز به روزکاربردعمومي تري يافته اند.در اين فصل ابتدا شبکه های عصبی و سپس شبکه عصبی المان اصلاح شده را توصيف کرديم.سپس چگونگی کنترل پيش بين غيرخطی مبتنی بر شبکه های عصبی را بيان کرديم.در ادامه سيستمهای فازی و مدلسازی فازی از روی داده های ورودی-خروجی و انواع روشهای مدلسازی فازی(مدل تاکاگی- سوگنو و مدل کانولوشن فازی) را به طور کامل تشريح کرديم. بدليل آنکه تعداد قوانين فازي در مسأله ما زياد مي باشدوبدست آوردن قوانين فازي از طريق مدلسازی فازی ،امري غير ممکن مي نمايد، به همين دليل از شبکه فازي- عصبي استفاده نموديم.ابتدا مدلسازی فازی- عصبی و روشهای مدلسازی را تشريح و از روش مدلسازی فازی- عصبی تطبيقی ANFIS جهت مدلسازی فرآيند مورد نظربهره گرفتيم.دربخش بهينه سازی نيزانواع روشهای کلاسيک و هوشمند ذکرشد.روش گراديان کاهشي يا سريعترين سقوط،يک الگوريتم روشن و صريح براي حل مسأله بهينه سازي تابع هزينه است،که به دليل سرعت همگرايي نسبتاﹰ بالاوسادگي پياده سازي،که فقط ۲ گام در آن بايدمشخص باشد(يکي جهت گام که همان حرکت در جهت عکس گراديان است و ديگري اندازه گام يعني همانη)،در اين پايان نامه مورد استفاده قرار گرفت. مزايا و معايب روش گراديان کاهشی ونيز روشهای پيشنهادی اثبات شده ای جهت حل مشکل گير کردن در مينيمم های محلی بيان گرديد.روشهای مدل وارونه،اندازه حرکت وη خود تنظيم به عنوان روشهای پيشنهادی ارائه شد.تأثير روشهای فوق در تخمين بهترين نقطه اوليه، به وضوح در محاسبه تلاش کنترلی ورودی u و حداقل کردن تابعی معيار در شکلهای فصل ۳ قابل مشاهده است.در فصل ۳ و بخش اصلی پايان نامه،برای بررسی عملکرد روش کنترلی ارائه شده برروی فرآيندهای MIMO، شبيه سازي حاصل از اعمال اين روشهاي کنترلي(پيش بين مبتني بر شبکه هاي عصبي و پيش بين مبتني بر مدل عصبي- فازي و مقايسه روشهای بهينه سازی گراديان کاهشی و فانکشنال) بر روي دو سيستم MIMO(۲ ورودي/۲ خروجي)،اولي شامل يک فرايند با ۳ تانک مايع،که هدف رسيدن ارتفاع مايع در اين تانکها به مقدار مطلوب مي باشد،ودومي شامل يک سيستم دو ورودي دو خروجي که معادلات حالت آن موجود مي باشد و در مرجع شماره [۳۶] معرفي گرديده،انجام شد. به دليل وجود محدوديتهاروي ورودي،خروجي و متغيرهاي حالت و خاصيت غيرخطي بودن آنها،به نظر مي رسد که روش کنترل پيش بين غيرخطي ،يک روش مناسب جهت کنترل اين فرآيندها بوده و کنترل کننده هاي خطي ،عملکرد مناسبي ندارند.ابتدا با استفاده از مدل عصبی وسپس مدل فازی-عصبی فرآيندها شناسايی شدند ودر ادامه کنترل پيش بين مبتنی بر مدل فازی-عصبی بر مبنای بهينه سازی گراديان کاهشی روی آنها طراحی شد.در فرآيند اول با توجه به نتايج به دست آمده از اعمال اين روش کنترلی ومقايسه نتايج اين کنترل کننده با کنترل کننده مدل عصبی نشان داد که هر دوی آنها عملکرد مشابهی دارند.با اين تفاوت که خروجی مدل فازی-عصبی نسبت به خروجی مدل عصبی،برخروجی واقعی سيستم منطبق تراست ونيزدر کنترل پيش بين مبتنی بر مدل فازی-عصبی رديابی بهتری انجام شده است و درزمان نشست وميزان فراجهش نيز بهترعمل می کند.متذکر می شوم که در فرآيندهای چند متغيره تنظيم ضرايب وزنی و افقهای کنترل و پيش بينی،عملياتی زمان بر است.در اين فرآيند نيز جهت دستيابی به بهترين تنظيمات برای کنترل کننده زمان زيادی صرف شد.البته اين روش در نهايت برای فرآيندهايی که رفتار غيرخطی شديد دارند يا نقاط کار آنها به تناوب تغييرمی کند(مانند فرآيندهای خنثی سازی pH،فرآيندهای پليمری،سنتز آمونياک)می تواند يک روش موثر باشد.در فرآيند دوم،از مقايسه نتايج مدلسازی عصبی، مدلسازی فازی- عصبی و مدلسازی فازی که درمقاله[۳۶] به آن اشاره شده، نتيجه مي گيريم که مدلسازی فازی-عصبی بهتراز بقيه مدلسازيها سيستم را مدل کرده است و رديابی مسيرمرجع نيزخوب است.

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