کاهش مرتبه ی سیستم های چند متغیره توسط روش زیرفضای کرایلف تطبیقی و توابع لاگر با استفاده از الگوریتم ژنتیک
Publish place: 12th Iranian Conference on Intelligent Systems
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,224
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:
ICS12_053
تاریخ نمایه سازی: 11 مرداد 1393
Abstract:
در این مقاله، به ارائهی روشی برای کاهش مرتبهی سیستم های چند ورودی- چند خروجیMIMO توسط زیرفضای کرایلف گویای تطبیقی، الگوریتم تکراری آرنولدی بلوکی، توابع متعامد لاگر و الگوریتم ژنتیک پرداخته شده است. در این روش، تابع انتقالسیستم بر مبنای توابع متعامد لاگر، به ازای مقادیر مختلف پارامتر تابع لاگر بسط داده شده و از ضرایب بسط لاگر و یک الگوریتم آرنولدی بلوکی اصلاح شده برای تشکیل زیرفضای کرایلف گویا استفاده شده است. مقادیر مختلف برای پارامتر تابع لاگر، از طریق بیشینه کردن خطای ماندهی ماتریس ورودی سیستم و توسط الگوریتم ژنتیک تعیین میشوند. با تعیین ماتریس پایه ی زیر فضایکرایلف با استفاده از الگوریتم آرنولدی، فضای حالت سیستم مرتبهی بالا به زیرفضای کرایلف تصویر شده و سیستم مرتبه ی بالا تقریب زده میشود. این روش دارای مزایای زیادی از قبیل تضمین پایداری، حفظ پسیو بودن سیستم و همچنین دقت بالا در حوزهی فرکانس میباشد. در پایان یک مدل ابعاد وسیع با استفاده از روش پیشنهادی کاهش مرتبه داده شده و با روشهای پیشین مقایسهشده است. نتایج نشان دهندهی دقت بالای روش پیشنهادی میباشد
Keywords:
کاهش مرتبه , سیستم های چند متغیره , زیرفضای کرایلف , الگوریتم آرنولدی , توابع متعامد , الگوریتم ژنتیک
Authors
سهیلاسادات هاشمی نسب
دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان
ملیحه مغفوری فرسنگی
دانشیار، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان
مجتبی برخورداری یزدی
استادیار، دانشکده فنی و مهندسی، دانشگاه شهید باهنر، کرمان
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 :