|
Title
|
كنترل معكوس مستقيم مبتني بر شبكه ي عصبي فازي ديناميك مقاوم در برابر نقص محاسباتي با استفاده از تحمل نقص
مبتني بر الگوريتم
|
|
Type
|
Presentation
|
|
Keywords
|
شبكه عصبي فازي ديناميكي،
يادگيري خودسازماندهي آنلاين،
تحمل نقص، سيستم فازي ،TSK
كنترلكننده، تحمل نقص مبتني
بر الگوريتم
|
|
Abstract
|
در اين مقاله، الگوريتمي ارائه شده است كه يك كنترل كننده ي معكوس مستقيم مبتني بر شبكه عصبي
فازي ديناميك ( )DFNNمقاوم در برابر نقص را پياده سازي كند. اين الگوريتم كنترلي با الهام از روش
كنترل معكوس مستقيم، از الگوريتم يادگيري DFNNبه عنوان تخمينگر ديناميك معكوس يك فرآيند
تحت كنترل استفاده ميكند و سپس با استفاده از يك DFNNديگر، يك كنترل كننده در مسير مستقيم
FeedForwardبا دينامك عكس ديناميك فرآيند قرار ميدهد. تخمينگر و كنترلكننده DFNN
براساس شبكه عصبي تابع پايه شعاعي گسترده ساخته شده و عملكرد آنها معادل يك سيستم فازي TSK
است كه داراي سرعت يادگيري سريعتر و ساختار شبكه فشردهتر با عملكرد تقريبي و تعميم بالا است. از
آنجا كه اين كنترل كننده ي هوشمند با الگوريتم تشخيص نقص از طريق افزونگي دادهها، از آسيبهاي
ناشي از نقص، مقاوم ميشود يا به عبارت ديگر تحمل نقص مبتني بر الگوريتم را براي محاسبات خود
اعمال ميكند، بنابراين در هنگام انجام كنترل، قادر به تشخيص و تصحيح خطاهاي دائمي و گذرا در
عمليات ماتريسي مربوط به محاسبات كنترلي است. در نهايت، در اين مقاله، كاركرد اين الگوريتم در
كنترل و شناسايي سيستم ديناميكي غيرخطي از طريق شبيه سازي بررسي شده است كه كارايي آن در
انجام عمليات كنترل قابل مشاهده است. هر الگوريتم زمان اجراي خاص خود را دارد كه از موارد مهم قابل
بررسي در طراحي الگوريتم است و كارايي آن از روي زمان اجراي آن بررسي ميشود. زمان اجراي الگوريتم
مقاوم شده در برابر نقص در حضور نقص و عدم حضور نقص متفاوت است كه زمان اجرا و كارايي هر دو
به هنگام اجراي الگوريتمها در اين تحقيق بررسي و گزارش شده است
|
|
Researchers
|
neda mahmoodi (First researcher) , Amin Torabi Jahromi (Second researcher) , Valiollah Ghaffari (Third researcher)
|