كليدواژه زبان طبيعي :
بازگشت , خطا , هيبريد , الگوريتم , مربع , پيشگويي , ورودي , نويز , سيستمها , شناسايي , غيرخطي , شبكه ها , ديناميكي , خطي , مدل , كاربرد , شبكه , عصبي
چكيده :
در مهندسي كنترل ، يك فرايند معمولا مدل آن مورد نظر است . شناسايي فرايند مورد كنترل ابزاري جهت نيل به اين هدف مي باشد. بررسي امكان و نحوه استفاده از شبكه هاي عصبي در شناسايي سيستمهاي غيرخطي هدف مورد نظر در اين رساله مي باشد. ابتدا جهت بيان چگونگي دستيابي به مدلي براي فرآيند مورد كنترل ، اصول شناسايي كلاسيك مورد بررسي قرار مي گيرد. با توجه به اينكه روشهاي شناسايي كلاسيك جهت شناسايي سيستمهاي غير خطي كارايي لازم را ندارند، لذا استفاده از شبكه هاي عصبي در اين مورد پيشنهاد گرديده است . با توجه به توانايي شبكه هاي عصبي در تقريب توابع غير خطي چگونگي استفاده از آنها در شناسايي سيستمها را بررسي مي كنيم . دو عيب اساسي شبكه هاي استفاده شده در تحقيقات قبلي كه بيشتر از نوع پيشرو با آموزش انتشار به عقب بوده اند، مسيله طولاني بودن دوره آموزشي در حداقلهاي محلي مي باشد. بامعرفي شبكه هاي تابع پايه شعاعي قصد بر طرف نمودن اين معايب را داريم . نشان دادن توانايي شبكه هاي فوق الذكر در شناسايي سيستمهاي غير خطي و همچنين ايجاد بهبود در الگوريتم هيبريد دسته بندي و حداقل مربعات كه يكي از الگوريتمهاي مورد استفاده در آموزش شبكه هاي تابع پايه شعاعي است نيز در اين رساله مطرح مي باشد. نتايج شبيه سازي در مثالهاي متعددي نشان مي دهد كه بهبود ارايه شده توانسته است در كاهش خطاي شناسايي موثر واقع گردد. همچنين اثر نويز در شناسايي سيستمها و اثر انتخاب وروديها در شبكه هاي تابع پايه شعاعي و همچنين كاربرد شناسايي در كنترل سيستمهاي غير خطي بررسي شده است . خلاصه مندرجات : ... اصول شناسايي سيستمها+شبكه هاي عصبي پيشرو، مباني تقريب و اصول آموزش +شبكه هاي تابع پايه شعاعي +كابردها و ايجاد بهبود در شناسايي +نتيجه گيري و پيشنهادات +ضميمه : 1-باياس پرامترها بر اثر نويز 2- تخمين پارامتر در روش ...IV
