پروژه ابزارهای شبیه سازی برای مدلسازی و شناسایی نروفازی
مقدمه:
امروزه در طراحی سیستمهای کنترل با نیازهای زیادی مواجه هستیم که بواسطه افزایش رقابت، ملزومات محیطی، هزینه‌های انرژی و مواد، و نیاز به سیستمهای مقاوم و fault-tolerant مطرح شدهاند. این ملاحظات نیازهای جدیدی را برای تکنیکهای مؤثر مدلسازی فرآیند معرفی میکنند. در بسیاری از سیستمها، بواسطه فقدان دانش دقیق و سازمند در رابطه با سیستم، که ناشی از رفتار شدیدا غیرخطی، درجه بالای نامعینی یا مشخصات متغیر با زمان آن است روشهای متداول مدلسازی قابل استفاده نیست.
مدلسازی نروفازی به عنوان ابزاری قدرتمند شناخته میشود که میتواند با ترکیب اطلاعات از منابع مختلف نظیر مدلهای تجربی، مکاشفات و داده‌ها، توسعه مؤثر مدلها را تسهیل نماید. مدلهای نروفازی سیستم را به کمک قواعد اگر‐ آنگاه مثل (If x is small then y is large) توصیف میکند که این قواعد در ساختاری شبکهای پیادهسازی شده است تا بتوان الگوریتمهای یادگیری مورد استفاده در شبکه‌های عصبی مصنوعی را به آنها اعمال نمود. به واسطه این ساختار، مدلهای نروفازی، برای تحلیل و تفسیر، تا حدودی از شفافیت برخوردارند بدین معنی که نسبت به مدلهای کاملا جعبه‐ سیاه نظیر شبکه‌های عصبی، میتوان از آنها برای توضیح پاسخ استفاده نمود.
فهرست مطالب:
1 مقدمه
۲ شناسایی و مدلسازی نروفازی
۱-2 ایجاد شبکه‌های نروفازی
۲-2 ساختار و پارامترها
۳-2 یادگیری مبتنی بر گرادیان
۴-2 روشهای یادگیری هیبرید
۳ ابزارهای نرم افزاری شناسایی و مدلسازی نروفازی
۱-3 جعبهابزار شناسایی و مدلسازی فازی
3‐۱-1 تابع fmclust
2-1-3 تابع fmsim
تهیه و نصب نرم افزار
۲-3 جعبه ابزار منطق فازی- تابع ANFIS
محدودیتهای ANFIS
۴ مثالهای شبیه سازی
مثال ۱ شناسایی سیستم دینامیک غیرخطی- سشوار
مثال ۲ تقریب یک تابع استاتیک
مثال ۳ مدلسازی سیستم دینامیک غیرخطی «فرآیند خنثی سازی PH»
جمع بندی
مراجع
تعداد مشاهده: 1386 مشاهده
فرمت فایل دانلودی:.docx
فرمت فایل اصلی: docx
تعداد صفحات: 31
حجم فایل:3,732 کیلوبایت
-
راهنمای استفاده:
مناسب جهت استفاده دانشجویان رشته کامپیوتر و فناوری اطلاعات
-
محتوای فایل دانلودی:
در قالب فایل word و قابل ویرایش