مطالعه مقایسه ای روشهای گرادیانی و تکاملی جهت شناسایی مدلهای وینر مبتنی بر شبکه عصبی
Publish place: 15th Iranian Conference on Electric Engineering
Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,668
This Paper With 7 Page And PDF Format Ready To Download
- 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:
ICEE15_333
تاریخ نمایه سازی: 17 بهمن 1385
Abstract:
بسیاری از سیستم ها دارای رفتارهای به شدت غیر خطی می باشند. بنابراین وجود یک ابزار مناسب جهت شناسایی چنین سیستم هایی ضروری به نظر میرسد . در این مقاله برای شناسایی سیستم های پیچیده با میزان غیر خطی بودن زیاد از مدل وینر استفاده شده است. قسمت خطی مدل مذکور یک مدل فضای حالت خطی می باشد. برای افزایش کارایی مدل وینر، از شبکه عصبی جهت شناسایی ترم غیر خطی این مدل، استفاده شده است. همچنین جهت بهینه سازی پارامترهای مدل از یک روش مناسب برای پارامتری کردن ترم خطی استفاده شد ه است. در نهایت پارامترهای نهایی مدل وینر کلی با استفاده از الگوریتم ژنتیک به دست آمده اند. روش شناسایی بیان شده بر روی یک فرایند خنثی سازی PH شبیه سازی شده است. نتایج شبیه سازی نشان می دهد که مدل مذکور قابلیت بسیار مناسبی جهت پیش بینی پاسخ پله سیستم را داراست. همچنین روش مذکور با روش های شناسایی ناشی از بهینه سازی کلاسیک مبتنی بر گرادیان مانند الگوریتم لونبرگ – مارکوارت و روش نیوتن مقایسه شده است. نتایج بدست آمده حاکی از آن است که روش بیان شده دارای دقت بسیار زیادی بوده و می توان ازآن جهت مقاصد دیگر مانند اهداف کنترلی استفاده نمود.
Keywords:
Authors
محمدمهدی عارفی
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
اللهیار منتظری
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
محمدرضا جاهدمطلق
دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران
جواد پشتیبان
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
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 :