سمینار برق روشهای مدل سازی نور و فازی سیستم با تقریب خطی و محلی

لطفا از این پروژه در راستای تکمیل تحقیقات خود و در صورت کپی برداری با ذکر منبع استفاده نمایید.

چکیده

امروزه بشر در بسیاری زمینهها, ارتباطات, مخابرات, ناوبری, جستجو, امداد, هواشناسی, تحقیقات و دفاع وابسته به ماهواره هاست. ماهوارههایی که هر یک با هزینههای چندین میلیون دلاری به بهره برداری رسیدهاند, دارای سیستمهای کنترل, حفاظت و پشتیبان بسیار پیشرفته می باشند. با اینحال در دو دهه اخیر اختلالاتی در عملکرد آنها دیده شده که ناشی از تغییرات هوای فضا است. هدف از این تحقیق توسعه روشهای هوشمند در پیشبینی پدیدههای هوای فضا، شامل فعالیت خورشیدی، فعالیت ژئومغناطیسی و طوفانهای ژئومغناطیسی به روش نوروفازی خطی و محلی میباشد. نتایج پیشبینیها بصورت مستقیم یا غیرمستقیم در توسعه سیستمهای هشدار برای ماهواره ها بکار میروند.

روشهای پیش بینی هوشمند بخوبی در جهت افزایش قابلیت تعمیم مدلها توسعه یافته و نتایج چشمگیری را در افق پیشبینی یک مرحله ای نشان داده اند. و چون سیستمهای پیشبین توسعه یافته بر اساس مدل فازی عصبی خطی محلی علاوه بر امکان اجرا با قدرت کم محاسباتی و حافظه، و توان پردازش حجم بسیار زیاد دادهها، از قابلیت تعمیم بالایی نیز برخوردارند. الگوریتم های یادگیری برای این مدلها از کمترین پارامترهای قابل تنظیم برخوردار بوده و کاملا خودکارند.

مقدمه

تمایل جدیدی که در جهت عینی شدن، اخیرأ مطرح شده است استفاده از منطق فازی در ترکیب با محاسبات عصبی و الگوریتم ژنتیک می باشد.عمومأ منطق فازی ،شبکه های عصبی و الگوریتم ژنتیک به عنوان پایه و اساس تشکیل دهنده می باشد.انچه که به عنوان محاسبات نرم دیده می شود، به حساب می ایند.بر خلاف روشهای متداول قدیمی که محاسبه سخت به شمار می روند، محاسبات نرم با هدف به کاربردن تولرانس برای موارد عدم دقت در دنیای واقعی سازمان دهی شده است.اصول راهنمای محاسبات نرم عبارتند از در نظر گرفتن تولرانس برای عدم دقت،عدم اطمینان و تا حدی درست،به منظور دستیابی به توانایی ردیابی ،مقاوم بودن و همچنین راه حل ارزان و سریع می باشد،در بین ترکیبات مختلفمربوط به محاسبات نرم ،موردی که بیش از بقیه در این زمان مورد توجه است ترکیب منطق فازی و محاسبات عصبی می باشد که تحت نام سیستمهای عصبی – فازی شناخته می شوند.در منطق فازی چنین سیستمهایی نقش بسیار مهمی را در تاثیر پذیری قوانین از مشاهدات بازی می کنند.

تحقیقات شبکه های نوروفازی جدید می باشد و اولین کتاب احتمالا توسط kasko (1992 بوده است.

شبکه های عصبی این توانایی را دارا می باشند که یک تابع را تخمین بزنند .ولی غیر ممکن است که نتایج را بصورت زبان محاوره ای طبیعی بیان کنند.در ساخت مستقیم یک شبکه عصبی، اطلاعات مورد نیاز جهت اموزش ارائه می گرددو مدلهای مات و مبهم و غیر قابل درک بوجود می اید.ولی یک سیستم فازی به شما اجازه می دهد که از تجربه افراد خبره که سیستم راتجربه کرده اند استفاده نمایید. قوانین فازی شامل بیانی از جملات می باشد که تقریبا به زبان طبیعی می باشند اما نمی توانند قوانینشان را یاد بگیرند.

ترکِیب شبکه عصبی و منطق فازیدر مدلهای نورو فازی یادگیری را به خوبی با قابیت خواندن تهیه می کند. مهندسان کنترل این فایده را پیدا می کنند زیرا مدلها می تواند با پردازش اپراتور بیان و تکمیل شوند.

سمینار برق روشهای مدل سازی نور و فازی سیستم با تقریب خطی و محلی

لطفا از این پروژه در راستای تکمیل تحقیقات خود و در صورت کپی برداری با ذکر منبع استفاده نمایید.

چکیده

امروزه بشر در بسیاری زمینهها, ارتباطات, مخابرات, ناوبری, جستجو, امداد, هواشناسی, تحقیقات و دفاع وابسته به ماهواره هاست. ماهوارههایی که هر یک با هزینههای چندین میلیون دلاری به بهره برداری رسیدهاند, دارای سیستمهای کنترل, حفاظت و پشتیبان بسیار پیشرفته می باشند. با اینحال در دو دهه اخیر اختلالاتی در عملکرد آنها دیده شده که ناشی از تغییرات هوای فضا است. هدف از این تحقیق توسعه روشهای هوشمند در پیشبینی پدیدههای هوای فضا، شامل فعالیت خورشیدی، فعالیت ژئومغناطیسی و طوفانهای ژئومغناطیسی به روش نوروفازی خطی و محلی میباشد. نتایج پیشبینیها بصورت مستقیم یا غیرمستقیم در توسعه سیستمهای هشدار برای ماهواره ها بکار میروند.

روشهای پیش بینی هوشمند بخوبی در جهت افزایش قابلیت تعمیم مدلها توسعه یافته و نتایج چشمگیری را در افق پیشبینی یک مرحله ای نشان داده اند. و چون سیستمهای پیشبین توسعه یافته بر اساس مدل فازی عصبی خطی محلی علاوه بر امکان اجرا با قدرت کم محاسباتی و حافظه، و توان پردازش حجم بسیار زیاد دادهها، از قابلیت تعمیم بالایی نیز برخوردارند. الگوریتم های یادگیری برای این مدلها از کمترین پارامترهای قابل تنظیم برخوردار بوده و کاملا خودکارند.

مقدمه

تمایل جدیدی که در جهت عینی شدن، اخیرأ مطرح شده است استفاده از منطق فازی در ترکیب با محاسبات عصبی و الگوریتم ژنتیک می باشد.عمومأ منطق فازی ،شبکه های عصبی و الگوریتم ژنتیک به عنوان پایه و اساس تشکیل دهنده می باشد.انچه که به عنوان محاسبات نرم دیده می شود، به حساب می ایند.بر خلاف روشهای متداول قدیمی که محاسبه سخت به شمار می روند، محاسبات نرم با هدف به کاربردن تولرانس برای موارد عدم دقت در دنیای واقعی سازمان دهی شده است.اصول راهنمای محاسبات نرم عبارتند از در نظر گرفتن تولرانس برای عدم دقت،عدم اطمینان و تا حدی درست،به منظور دستیابی به توانایی ردیابی ،مقاوم بودن و همچنین راه حل ارزان و سریع می باشد،در بین ترکیبات مختلفمربوط به محاسبات نرم ،موردی که بیش از بقیه در این زمان مورد توجه است ترکیب منطق فازی و محاسبات عصبی می باشد که تحت نام سیستمهای عصبی – فازی شناخته می شوند.در منطق فازی چنین سیستمهایی نقش بسیار مهمی را در تاثیر پذیری قوانین از مشاهدات بازی می کنند.

تحقیقات شبکه های نوروفازی جدید می باشد و اولین کتاب احتمالا توسط kasko (1992 بوده است.

شبکه های عصبی این توانایی را دارا می باشند که یک تابع را تخمین بزنند .ولی غیر ممکن است که نتایج را بصورت زبان محاوره ای طبیعی بیان کنند.در ساخت مستقیم یک شبکه عصبی، اطلاعات مورد نیاز جهت اموزش ارائه می گرددو مدلهای مات و مبهم و غیر قابل درک بوجود می اید.ولی یک سیستم فازی به شما اجازه می دهد که از تجربه افراد خبره که سیستم راتجربه کرده اند استفاده نمایید. قوانین فازی شامل بیانی از جملات می باشد که تقریبا به زبان طبیعی می باشند اما نمی توانند قوانینشان را یاد بگیرند.

ترکِیب شبکه عصبی و منطق فازیدر مدلهای نورو فازی یادگیری را به خوبی با قابیت خواندن تهیه می کند. مهندسان کنترل این فایده را پیدا می کنند زیرا مدلها می تواند با پردازش اپراتور بیان و تکمیل شوند.