مشخصات پژوهش

خانه /کنترل مبتنی بر شبکهی عصبی ...
عنوان کنترل مبتنی بر شبکهی عصبی فازی دینامیکی مقاوم در برابر نقص برای یک فرآیند غیرخطی با استفاده از مقاوم سازی در برابر نقص مبتنی بر الگوریتم
نوع پژوهش پایان‌نامه
کلیدواژه‌ها Algorithm Based Fault Tolerance مقاوم سازی الگوریتم در برابر نقص شبکه عصبی فازی دینامیکی - تحمل نقص - یادگیری خودسازماندهی آنالین - سیستم فازی TSK - کنترل کننده - افزونگی نرم افزاری - افزونگی محاسباتی - مقاوم سازی در برابر نقص مبتنی بر الگوریتم
چکیده زمینه: در این پژوهش، الگوریتم کنترل مبتنی بر شبکه عصبی فازی دینامیکی به صورت مقاوم در برابر نقایص محاسبات ماتریسی پیشنهاد و پیاده سازی شده است. این الگوریتم کنترلی، با هدف سرعت یادگیری سریعتر و ساختار شبکه فشردهتر و با عملکرد قابل تعمیم باال کیفیت کنترل را بهبود میبخشد و از این رو مقاوم سازی آن در برابر نقص از اهمیت ویژهای برخوردار است. هدف: هدف اصلی این پژوهش ارائه الگوریتمی است که کنترل مبتنی بر شبکه عصبی فازی دینامیکی )DFNN )مقاوم در برابر نقص را پیاده سازی میکند. این الگوریتم کنترلی با الهام از روش کنترل معکوس مستقیم ) control inverse Direct)، از الگوریتم یادگیری DFNN به عنوان تخمینگر و کنترل کننده استفاده میکند که سیستم را در برابر نقص مقاوم کرده و عملکرد کنترل را بهبود می بخشد. تخمینگر و کنترل کننده DFNN براساس RBF گسترده ساخته شده و عملکرد آن معادل یک سیستم TSK است که دارای سرعت یادگیری سریعتر و ساختار شبکه فشردهتر با عملکرد تقریبی و تعمیم باال است و با الگوریتم تشخیص نقص از طریق افزونگی داده ها ، از آسیبهای ناشی از نقص، مقاوم میشود یا به عبارت دیگر مقاوم سازی در برابر نقص مبتنی بر الگوریتم )ABFT )را بررسی می کند که یک طرح ارزان قیمت با عملکرد باال برای تشخیص و تصحیح خطاهای دائمی و گذرا در عملیات ماتریسی است. در نهایت، در این رویکرد کنترل یک فرآیند غیر خطی بررسی میشود که کارایی آن در انجام عملیات کنترل قابل مشاهده است. هر الگوریتم زمان اجرای خاص خود را دارد که از مسائل مهم طراحی الگوریتم است و کارایی آن از روی زمان اجرای آن بررسی میشود. زمان اجرای الگوریتم مقاوم شده در برابر نقص در حضور نقص و عدم حضور نقص متفاوت است که زمان اجرا و کارایی هر دو به هنگام اجرای الگوریتمها بررسی میشود. روششناسی: مطابق الگوریتم یادگیری DFNN، ابتدا با ورود داده های آموزشی واحدهای RBF تعیین میشود که بدین منظور معیارهای تولید نورون برای یادگیری سلسله مراتبی و عوامل تولید نورون از جمله خطای سیستم و مرز تطبیق از اجزای جداییناپذیر آن بررسی میشود. پس از تولید و رشد تعداد نورونها، پارامترهای واحدهای RBF تعیین شده، وزنها تنظیم و تکنولوژی هرس نیز برای حذف نورونهای کم اهمیتتر به کار گرفته شده است. در ادامه برای الگوریتم کنترلی با الهام از روش کنترل معکوس مستقیم و با هدف دستیابی به ورودی کنتر
پژوهشگران ندا محمودی جهرمی (دانشجو)، امین ترابی جهرمی (استاد راهنما)، ولی اله غفاری (استاد راهنما)