یک شبکه عصبی فازی ژنتیکی بهینه شده برای کنترل کشتی

اختصاصی از فی توو یک شبکه عصبی فازی ژنتیکی بهینه شده برای کنترل کشتی دانلود با لینک مستقیم و پر سرعت .

اصل و ترجمه مقاله کنترل هوشمند کشتی با استفاده از شبکه عصبی و منطق فازی و ژنتیک الگوریتم

عنوان انگلیسی مقاله :

A Genetically Optimized Fuzzy Neural Network for Ship Controllers

 

A Genetically Optimized Fuzzy Neural Network for Ship Controllers

عنوان فارسی مقاله :

یک شبکه عصبی فازی ژنتیکی بهینه شده برای کنترل کشتی 

سال انتشار : 2006

کیفیت ترجمه : B

چکیده انگلیسی :

Abstract-A novel approach has been promoted for fuzzy neural ship controllers. An RBF neural network and GA optimization are employed in a fuzzy neural controller to deal with the nonlinearity, time varying and uncertain factors. Utilizing the designed network to substitute the conventional fuzzy inference, the rule base and membership functions can be auto-adjusted by GA optimization. The parameters of neural network can be decreased by using union-rule configuration in the hidden layer of the network. The performance of controller is evaluated by the system simulation conducted with Simulink tools, by which satisfied results have been obtained

.Index Terms- RBF network. Fuzzy control. Genetic algorithm. Union rule. Ship control

چکیده فارسی :

چکیده - منطق فازی عصبی، رویکردی جدید برای کنترل کشتی ها است. یک شبکه عصبی RBF و بهینه سازی GA در یک کنترل عصبی فازی به کار برای مقابله با غیرخطی، زمان های مختلف و عوامل نامشخص است. با استفاده از شبکه طراحی شده به جای استنتاج فازی معمولی، پایگاه قوانین و توابع عضویت می تواند به صورت خودکار توسط بهینه سازی GA تنظیم شود. پارامترهای شبکه عصبی را می توان با استفاده از تنظیمات مجموعه قوانین در لایه مخفی از شبکه کاهش داد. نتایج رضایت بخشی از عملکرد کنترل کننده های شبیه سازی سیستم، که توسط ابزار سیمولینک انجام می گردد دست آمده است. 

کلمات کلیدی : کنترل فازی. الگوریتم ژنتیک. مجموعه قوانین. کنترل کشتی.   

مقاله پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از فی توو مقاله پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه:12

 فهرست مطالب

مقدمه

سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)

ساختار و الگوریتم: [1]

لایه اول، گره های ورودی

لایه دوم، گره های قاعده

لایه سوم، گره های متوسط

لایه چهارم، گره های نتیجه

لایه پنجم، گره های خروجی

منطقه و حوزه مورد مطالعه

بحث و نتایج

نتیجه گیری

مقدمه:

سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی[1] (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.

هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.

دانلود مقاله کاربرد منطق فازی در پیش بینی بار

اختصاصی از فی توو دانلود مقاله کاربرد منطق فازی در پیش بینی بار دانلود با لینک مستقیم و پر سرعت .

این فایل به صورت PDF بوده و غیرقابل ویرایش می باشد.
تعداد صفحه: 10

لازم به ذکر است قیمت این مقاله در سایت سیویلیکا 30000 ریال می باشد.

چکیده مقاله:

پیش بینی بار بدلیل اهمیت فوق العاده ای که در بهره برداری و گسترش سیستم دارد. یکی از مباحثی است که از بدو پیدایش صنعت برق به آن توجه خاص نشان داده شده است. روشهای مختلف پیش بینی اساسا بر پایه برازش یک الگو اندازه گیری ها و سپس پیش بینی از روی الگوی بدست آمده قرار دارند. بدلیل وابستگی قابل توجهی که حداکثر بار یک ماه از سال با حداکثر بار ماه قبل و یا حداکثر بار همان ماه از سال قبل دارد الگوهای ساده پرازش منحنی نمی توانند به خوبی الگوهای SARIMA به اندازه گیری ها برازش پیدا کرده و در نتیجه پیش بینی های الگوهای SARIMA به مراتب بهتر خواهند بود. کار با الگوهای SARIMA نیز مشکلات فراوانی به همراه دارد. اگر از مسائل مربوط به تعیین درجه الگو صرفه نظر کنیم برآورد پارامترهای الگو از روشهای پیچیده ای امکان پذیر است که هر چه بر تعداد اندازه گیری ها افزوده می شود نیاز به حافظه کامپیوتر بیشتری داشته و بالطبع حجم محاسباتی زیادتری نیز خواهند داشت و در صورت فراهم آمدت اندازه گیری های جدیدتر معمولا تصحیح پارامترهای الگوهای SARIMA امکان پذیر نبوده و محاسبات باید از ابتدا تکرار شوند. مشکلات همگرایی و عدم توانایی در تصحیح پارامترها سبب می شود تا این الگوها را نتوان در سیستم های SARIMA بکار گرفت.

تحقیق در مورد منطق فازی چیست

اختصاصی از فی توو تحقیق در مورد منطق فازی چیست دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود *پایین مطلب*

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

تعداد صفحه10

منطق فازی چیست؟

منطق فازی دانشمندی به نام پروفسور لطفی زاده

منطقی که تکنیک را هوشمند کرد.

مفاهیم اساسی:

حتماً بارها شنیده اند که کامپیوتر از یک منطق صفر و یک تبعیت میکند. در چهار چوب این منطق ، چیزها درستند یا نادرست ، وجود دارند یا ندارند. سیستم منطق کلاسیک بم بر پایه منطق بولی است. منطق بولی بر این فرض استوار است که یک عنصر یا عضو مجموعه داده شده است و یا عضو مجموعه نیست. هر دو فرض فوق نمی توانند تواملاً درست باشند. متاسفانه این سیستم برای نشان دادن مفاهیم مبهم محدودیت دارد. به عنوان مثال فرض کنید منطق بولی برای تشخیص اینکه یک اتاق گرم است یا سرد مورد استفاده قرار بگیرد. همه افراد با این فرض که 100 درجه فارنهایت برای دمای اتاق گرم و 25 درجه فارنهایت برای  دمای اتاق سرد محسوب میشوند موافقند. اما اگر دمای اتاق 75 درجه فارنهایت باشد چطور؟

در این موارد منطق بولی وسیله مناسبی برای شناسایی مقدار میانه نیست و منطق فازی روش توسعه یافته آن برای موارد مبهم بکار می رود. برای بیان ابهام در قالب یک عدد ، منطق فازی تابعی برای عضویت در یک دسته معرفی میکند که به هر عنصر یک عدد حقیقی بین صفر و یک نسبت می دهد. این عدد نشان دهنده این است که عنصر مورد نظر کاملاً در مجموعه قرار دارد یا خیر. اگر 1 باشد یعنی در مجموعه وجود دارد و اگر صفر باشد یعنی در مجموعه قرار ندارد و هر عدد بین این دو مقدار بیانگر درجه عضویت آن عضو به مجموعه است. و در مثال قبل 75 درجه فارنهایت مقداری بین صفر و یک خواهد بود. اگر بخواهیم در مورد تابع عضویت توضیحی ارائه دهیم می توان گفت یک متخصص دانا باید تابع عضویتی ارائه دهد که با عقاید عمومی سازگاری داشته باشد. تابع عضویتی که گرمی اتاق را توصیف می کند ، بایستی مفهوم سردی و گرمی که در ذهن افراد است ، منعکس نماید. اگر چه منطق فازی بر توابع عضویت تکیه دارد ، ولی سرچشمه آن خارج قلمرو این تابع می باشد.

این تابع می تواند اشکال مختلفی داشته باشد: مثلثی ، ذوذنقه ای ، نمایی و ... در این توابع دمای 75 درجه به عنوان دمای میانگین در نظر گرفته شده است.

مثال دیگری که وجود منطق فازی را به خوبی نشان می دهد. مثال پارک کردن اتومبیل درجاتی مناسب است.

فرض کنید نمایشگاه پوشاکی در نقطه ای از شهر است که باید با اتومبیل به آنجا بروید ، و هنگامیکه به محل نمایشگاه می رسید.

متوجه می شوید که پارکینگ نمایشگاه پراز ماشین است. اما با خود می گوئید حتماً باید جای پارکی پیدا کنم. سرانجام محلی را پیدا می کنید که یک ماشین به طور کامل در آن جا نمی شود . اما با کمی اغماض می شود. ماشین در آنجا می داد ، هر چند که این امکان وجود دارد که فضای عبور و مرور دیگر خودروها را تنگ کنید. اما به هر حال در همانجا ماشین خود را پارک می کنید.

بسیار خوب! اکنون بیائید بررسی کنیم شما دقیقاً چکار کردید؟ شما دنبال جای توقف یک اتومبیل می گشتید آیا پیدا کردید؟ هم بله ، هم نه . شما در ابتدا می خواستید ماشین را در محل مناسب پارک کنید. آیا چنین عملی  انجام دادید؟ از یک نظر بله ، از یک دیدگاه نه. در مقایسه با وقت و انرژی لازم برای پیدا کردن یک مکان راحت برای توقف خودرو. شما جای مناسبی پیدا کردید . اما ار این نظر که اتومبیل را در جایی پارک کردید که فضای کافی  برای قرار گرفتن ماشین شما نداشت ، نمی توان گفت جای مناسبی است.

اگر به منطق کلاسیک در علم ریاضیات مراجعه کنیم و این پرسش را مطرح کنیم که قبل از ورود به پارکینگ چند درصد  احتمال می دادید جایی برای پارک کردن پیدا کنید. پاسخ بستگی به این

استفاده از روش های فازی در بیومتریک اثر انگشت

اختصاصی از فی توو استفاده از روش های فازی در بیومتریک اثر انگشت دانلود با لینک مستقیم و پر سرعت .

چکیده

در ای پژوهش ابتدا در مورد، ابتدا در مورد اثر انگشت و تاریخچه منطهق فهازی و همچنهی نهر

مختصری در مورد استفاده از منطق فهازی در بیومتریهک مهی پهردازیم . در ادامهه ، کارههای کهه محققهی در

خصوص استفاده از رونهای فازی هت نناسایی اثر انگشت انجام داده اند از مله روش استفاده از منطق

فازی در سیستم های اثر انگشت، معماری یک سیستم ترکیبی، و همچنی استفاده از رمز گذاری فازی برای

نشان دادن ساختار ویژگی های برآمدگی های دونهاخه توضهیحاتی را مطهر مهی کنهیم ، در نهایهت مبهانی

تحقیقات مذکور بیان نده است.