چکیده
در این مقاله، یک الگوریتم کنترل با تنظیم خودکار مبتنی بر یک شبکه عصبی سه لایه ادراکی ارائه می نماییم. مزیت الگوریتم پیشنهادی این است که در عمل، آموزش قبلی شبکه مورد نیاز نبوده و درکل برخی تغییرات در نقطه تنظیم برای تعیین ثابت یادگیری کافی است. در حالت بهینه، امکان معرفی یک مکانیسم با تنظیم خودکار ثابت یادگیری وجود دارد. اگرچه تاکنون نتیجه گیری نهایی در مورد این امکان وجود ندارد. الگوریتم پیشنهادی ویژگی خاصی دارد که طبق آن، خطای تنظیم به جای خطای خروجی شبکه در اصلاح وزن ثابت ها مورد استفاده قرار می گیرد.
فهرست مطالب
1-مقدمه
2-ساختار کنترل کننده عصبی با تنظیم خودکار
3-الگوریتم تطبیق ثابت های وزن
4-برخی نتایج شبیه سازی
5-نتیجه گیری
1-مقدمه
استفاده از شبکه عصبی در شناسایی سیستم و کنترل، موضوع میزن زیادی از انتشارات سال های اخیر بوده است. برای مثال می توان به مقاله Narendra and Parthasaraty اشاره کرد [5] که چند ساختار ممکن برای کنترل کننده عصبی ارائه کرده و فرض می کند یک دانش قبلی درمورد ساختار پویای ماشین وجود دارد. در Bhat and McAvoy [3] و بسیاری مقالات دیگر، یک مدل عصبی معکوس پویا مبتنی بر طرح استفاده می شود. یک روش مشابه توسط Aguado and del Pozo [2] مطابقت داده شده؛ ولی در آن، تنظیم کننده عصبی معکوس با یک الگوریتم PID با تنظیم خودکار کامل می شود که این الگوریتم، صفر شدن خطای ساکن را ضمانت می کند. در مقاله فوق و بسیاری دیگر، نیاز به آموزش قبلی کامل شبکه عصبی است که یک مانع جدی برای پیاده سازی عملی راه حل پیشنهادی در صنعت می باشد. همچنین، ساختار کنترل کننده در برخی حالات، طبق مقاله [5] بسیار پیچیده و شامل چندین شبکه است که هریک دو لایه مهفی از نورون های زیادی دارند و باید با استفاده از حجم داده بزرگی آموزش داده شوند....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.