عنوان

شناسایی سیستمهای دینامیکی غیرخطی با شبکه های عصبی بازگشتی

شماره

‭۱۰۴۵۲پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

شناسایی سیستمهای دینامیکی غیرخطی با شبکه های عصبی بازگشتی

نام نخستين پديدآور

/حسین عابدینی

نام ناشر، پخش کننده و غيره

: برق

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

برق-کنترل

زمان اعطا مدرک

‮‭۱۳۹۳/۱۱/۲۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

اصلی‌صترین هدف در شناسایی سیستم‌ا ایجاد مدلی است که رفتاری همانند سیستم اصلی داشته باشد .شناسایی، در سیستم‌صهای غیرخطی دارای ملاحظات بیشتری نسبت به سیستم‌صهای خطی است .چرا که فرآیند-های غیرخطی عموما به‌ص‍ صورت منحصر به فرد عمل می‌صنمایند و خصوصیات مشترک کمی دارند .در برخی مواقع سیستم غیرخطی مورد نظر یک جعبه سیاه است که هیچ اطلاعی از درون سیستم در دست نمی‌باشد و تنها اطلاع ما از سیستم، دسته‌ای از داده ورودی- خروجی و مرتبه سیستم است .کاربرد شبکه‌صهای عصبی در زمینه شبیه‌صسازی و کنترل روز به روز در حال گسترش می‌صباشد .به دلیل این‌که شبکه عصبی نیاز به داشتن اطلاعاتی درباره سیستم یا فرآیند ندارد، این روش همانند روش‌های جعبه سیاه عمل می‌صکند .توانایی تخمین پاسخ سیستم‌های فیزیکی که از معادلات پیچیده‌صای برخوردار می‌صباشند، با استفاده از شبکه عصبی بازگشتی بسیار آسان شده است .در این پایان‌صنامه یک معماری برای شبکه‌صهای عصبی بازگشتی جهت شناسایی سیستم‌های دینامیکی ارائه شده است .معماری ارائه شده بر اساس اطلاعات محدودی از ورودی خروجی بدست آمده از سیستم اصلی، برای شناسایی هر دو نوع سیستم‌های دینامیکی خطی و غیرخطی بکار می‌صرود .یک لایه ورودی، یک لایه میانی، یک لایه خروجی به اضافه یک لایه زمینه ساختار شبکه را تشکیل می‌صدهند .حافظه دینامیکی در شبکه از طریق فیدبک‌صهایی بیش از یک واحد از عصب‌صهای لایه مخفی و اعمال این فیدبک‌صها به عنوان ورودی لایه زمینه و وجود خود بازگشتی‌ها با وزن‌صهای قابل تنظیم در عصب‌ص‍ لایه خروجی، فراهم شده است .ورودی سیستم در همان لحظه و لحظات قبلی، بخش اول لایه ورودی شبکه را تشکیل می‌صدهند .با توجه به برتری روش شناسایی سری- موازی به شناسایی موازی، به جای این‌که فیدبک‌صها از خروجی شبکه عصبی گرفته شوند، از خروجی سیستم فیدبک گرفته می‌صشود .بدین ترتیب خروجی لحظات قبلی سیستم نیز بخش دوم لایه ورودی شبکه را تشکیل می‌صدهند .وجود این فیدبک‌صها در ساختار، باعث می‌صشود حافظه دینامیکی در شبکه افزایش یافته و معماری ارائه شده برای تخمین توابع غیرخطی مناسب باشد .الگوریتم پس انتشار با توجه به سرعت بالای همگرایی برای آموزش شبکه در نظر گرفته شده است .با توجه به این‌که روش بهینه‌صسازی گرادیان کاهشی برای اصلاح وزن-ها از نرخ یادگیری ثابت استفاده می‌صکند و امکان گیر افتادن در مینیمم محلی زیاد است، برای اصلاح وزن‌صها از قوانین تطبیقی روش حداقل مربعات بازگشتی استفاده می‌صشود

متن يادداشت

The main goal to identify systems is to create a model that the behavior is same as the original system. Identification of nonlinear systems compared to linear systems has more considerations. Because the nonlinear processes are unique to act and have few common characteristics. In some cases, the nonlinear system is a black box that sufficient information about the system being modeled is not available and we only know a bunch of input-output data from the system and also order of the system. The application of neural networks in the field of simulation and control is developing day by day. Because the neural network does not need to have information about the system or process, this method acts as a black box methods. The ability to estimate the response of physical systems that have complex equations, by using recurrent neural network is very easy. In this thesis, an architecture for recurrent neural networks for identification of dynamical systems is proposed. The proposed architecture is based on limited data obtained from the input and output of the original system, both for identification of linear systems and for the identification of complex nonlinear systems can be very effective. An input layer, a hidden layer, an output layer added by a context layer form a network structure. Dynamic memory in the network through feedbacks more than one unit from the hidden layer neurons and this feedback acts as the input of context layer and presence of self-recurrent with adjustable weights in the output layer neurons, is provided. Input of the system at the moment and the moments earlier, form the first part of the input layer of network. Due to advantage of series-parallel identification method to parallel identification, rather than the global feedback from the output of the neural network are used, the output of the feedback system can be used And thus, the output of the previous moments of the system form the second part of the network input layer. Thus in the network structure both the local and global feedback exist that make enhanced dynamic memory and architecture proposed for nonlinear function approximation is appropriate. Backpropagation algorithm with respect to the high speed of convergence is intended for network learning. Due to the gradient descent optimization method for modifying the weights uses of the constant learning rate and possibility of Trapping in a local minimum is high to modify the weights the recursive least squares adaptive rules method can be used

مستند نام اشخاص تاييد نشده

عابدینی،حسین

مستند نام اشخاص تاييد نشده

قائمی، سحرانه، استاد راهنما

مستند نام اشخاص تاييد نشده

بادامچی زاده، حسین، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی