NATIONAL BIBLIOGRAPHY NUMBER
Number
۵۶۳۳پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
per
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
تخمین پارامترهای سیستم‌های دینامیکی (K و C) با استفاده ازشبکه‌های عصبی مصنوعی
First Statement of Responsibility
/آرمین نجفی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
دانشگاه تبریز: دانشکده‌ی مهندسی برق و کامپیوتر، گروه الکترونیک
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۹۵ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
برق - الکترونیک
Date of degree
۱۳۸۹/۰۶/۳۱
Body granting the degree
دانشگاه تبریز: دانشکده‌ی مهندسی برق و کامپیوتر، گروه الکترونیک
SUMMARY OR ABSTRACT
Text of Note
تخمین پارامترهای سیستم‌صهای دینامیکی با استفاده از اطلاعات به‌صدست آمده از این سیستم‌صها به‌صشکل عملی و تجربی نیازمند روش‌صهای پیچیده‌صی مدل سازی و شناسایی دقیق این سیستم‌صها و مستلزم صرف زمان زیاد و همین‌صطور بار محاسباتی بالا است .استفاده از روش‌صهای نوین تخمین، مثل استفاده از شبکه‌صهای عصبی مصنوعی، علی‌صالخصوص در مورد سیستم-های دینامیکی غیرخطی بسیار کارا می‌صباشد .شبکه‌صهای عصبی مصنوعی از روش‌صهای نوینی برای یادگیری ماشین، نمایش دانش و در نهایت اعمال دانش به‌صدست آمده در جهت پیش‌صبینی پاسخ‌صهای خروجی از سامانه‌صهای پیچیده بهره می‌صگیرند.در این‌صپروژه، از دو نوع مختلف شبکه‌صهای عصبی مصنوعی، موسوم به شبکه‌صی پرسپترون چندلایه یا MLP و شبکه‌صهای با توابع بنیادی شعاعی یا RBF برای تخمین پارامترهای سیستم‌صهای دینامیکی استفاده شده است .هم‌صچنین از ساختار دیگری موسوم به شبکه‌صی ANFIS که در واقع به‌صنوعی می‌صتوان آن‌صرا ترکیبی از شبکه‌صهای عصبی مصنوعی و سیستم‌صهای استنتاج فازی دانست استفاده شده و نتایج حاصل از شبیه‌صسازی این شبکه‌صها توسط نرم‌صافزار MATLAB مورد بحث و بررسی قرار گرفته‌صاند .نتایج به‌صدست آمده حاکی از کاراتر بودن شبکه‌صهای RBF برای تخمین پارامترهای مذکور است، به‌صطوری که هم از نظر دقت و هم از نظر سرعت پاسخ‌صدهی، پاسخ شبکه‌صی RBF مطلوب‌صتر است.
Text of Note
layer perceptron or MLP and radial basis function networks or RBF to estimate the parameters of a dynamic system. Also, we apply another structure named ANFIS networks that some kind of combination between artificial neural networks and fuzzy inference systems and we compare the results of simulation of these models using MATLAB and discuss about that. The results show efficiency of RBF networks, which is the best in accuracy of results and speed of response.-Estimation of the parameters of dynamic systems using practically gathered data from the systems needs some sophisticated rules, like modeling and exact identification and also needs a lot of time and calculation. Use of new estimation methods, like application of artificial neural networs is very beneficial, especially in estimation of nonlinear dynamic systems. Artificial neural networks use new methods for machine learning, knowledge presentation, and finally application of gained knowledge for output prediction of complicated systems.In this thesis, we use two kinds of artificial neural networks, named multi
TOPICAL NAME USED AS SUBJECT
Dynamic Syatems
Identification
Artificial Neural Networks
Fuzzy Inference System
Damping Ratio
Spring Constant
PERSONAL NAME - PRIMARY RESPONSIBILITY
نجفی، آرمین
PERSONAL NAME - SECONDARY RESPONSIBILITY
بالازاده بهار، حسین، استادراهنما
حسن‌زاده، ایرج، استادمشاور
ELECTRONIC LOCATION AND ACCESS
Public note
سیاه و سفید
نمایه‌سازی قبلی
