محاسبه احتمال شکست برای سیستمهای نامعین احتمالاتی با استفاده از شبکههای عصبی از نوع GMDH
Publish place: 20th Annual Conference of Mechanical Engineering
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,122
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISME20_241
تاریخ نمایه سازی: 18 تیر 1391
Abstract:
محاسبه احتمال شکست به روش تحلیلی به دلیل پیچیدگی ساختارسیستم های کنترلی غالبا غیرممکن است. بنابراین روشهای تقریبی مختلفی نظیر مون تکارلو SORM ،FORM و . . . برای محاسبه احتمال شکست مورد استفاده قرار میگیرد. روش های FORM وSORMدارای سرعت بالاتر و دقت کمتر در محاسبه احتمال شکست میباشند، در حالیکه روش مونتکارلو دارای زمان اجرای بسیار بالا و دقت بهتری است. در این مقاله با ترکیب روش مونت کارلو با شبکه عصبی از نوعGMDH زمان اجرا به شدت کاهش م ییابد، درحالی که دقت محاسبات نیز حفظ شده است کنترلر بهینه چندهدفی مقاومPI برای سیستم مرتبه اول با استفاده از الگوریتم ژنتیک و به کمک روش پیشنهادی در این تحقیق طراحی میشود. در روش پیشنهادی و در فرایند بهین هسازی به جای شبیه سازی سیستم، فقط با فراخوانی یک تابع چندجمله ای که از فرایند آموزش و تعمیم در شبکه عصبی به صورت بهینه ایجاد شده است، به محاسبه توابع هدف پرداخته م یشود. مقایسه نتایج، برتری قابل توجهی را نسبت به تحقیقات قبلی در این زمینه نشان میدهد
Keywords:
Authors
مهدی قامتی لمراسکی
کارشناسی ارشد مهندسی مکانیک، دانشگاه گیلان
بهمن احمدی
کارشناسی ارشد مهندسی مکانیک، دانشگاه گیلان
علی جمالی
استادیار مهندسی مکانیک، دانشگاه گیلان
نادر نریمان زاده
استاددانشگاه گیلان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :