شبیه سازی و شبکه عصبی

دانلود پایان نامه
  • (5-29)
    (5-30)
    (5-31)
    بنابراین قانون تنظیم وزن های لایه خروجی طبق رابطه (5-31) می باشد.
    (5-32)
    (5-33)
    (5-34)
    در طراحی شناساگر بازوی انعطاف پذیر، چند نکته اهمیت زیادی دارند. از جمله اینکه، در تعیین وزن های اولیه برای شبکه لازم است که وزن های مربوط به توابع شعاعی که مرکز دسته آنها منفی است، دارای مقدار مشابه ولی با علامت مخالف وزن های نظیر برای توابع شعاعی با مرکز دسته مثبت باشند. مشابه و مختلف العلامت بودن مقادیر باعث حفظ تقارن در عملکرد سیستم در چرخش ساعتگرد و پادساعتگرد آن می باشد.
    از آنجا که تاثیر دینامیک زاویه هاب از ولتاژ ورودی به صورت مستقیم و تاثیر دینامیک انحراف انتهای بازو از آن به طور معکوس(منفی) است، بنابر این وزن های اولیه متناظر توابع شعاعی با مراکز دسته مثبت برای خروجی زاویه هاب، مثبت و برای خروجی انحراف انتهای بازو، منفی است.
    از طرفی نرخ آموزش برای وزن های متناظر با خروجی انحراف انتهای بازوی انعطاف پذیر باید بزرگتر از نرخ آموزش متناظر با خروجی زاویه هاب باشد.
    با در نظر گرفتن شرایط بالا، امکان شناسایی این سیستم توسط شبکه عصبی با یک ورودی و دو خروجی وجود دارد.
    حال این بار، تابع حساسیت سیستم را بر اساس مدل شناسایی شده با شبکه عصبی تخمین می زنیم. خواهیم داشت:
    (5-35)
    که طبق روابط شبکه عصبی به دست می آید:
    (5-36)
    (5-37) (5-38)
    تابع حساسیت مدل شناسایی شده طبق رابطه (5-37) به دست می آید. با توجه به اینکه مدل شناسایی شده دارای دو خروجی است، تابع حساسیت تخمین زده شده مورد نظر که در (5-38) آمده است، به صورت نشان داده شده در (5-39) به دست می آید.
    (5-39)

      پایان نامه سیستم های فازی و سیستم واحد

    6-1- کنترل کننده فازی با استنتاج مینیمم
    در ساختار اول پس از تنظیم توابع تعلق ورودی، عملکرد مناسب با توابع تعلق نشان داده شده در شکل (6-1) به دست آمد و در ساختار دوم به توابع تعلق نشان داده شده در شکل (6-2) رسیدیم.

    6-1-1- شبیه سازی کنترل فازی با استنتاج مینیمم

    این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.