شبیه سازی و شبکه عصبی

دانلود پایان نامه

خلاصه ای از نتایج شبیه سازی و پیاده سازی کنترل کننده های فازی با استنتاج مینیمم و ضرب در جدول (6-1) مشاهده می شود. طبق این جدول، همواره زمان استقرار در پیاده سازی کمتر از زمان استقرار در شبیه سازی است. در استنتاج مینیمم، خطای حالت ماندگار در پیاده سازی کمتر از شبیه سازی است ولی در استنتاج ضرب بر عکس است. یعنی دقت عملکرد در استنتاج ضرب کاهش می یابد. البته با مقایسه شکل پاسخ ها مشاهده می شود که پاسخ ها در استنتاج ضرب صاف تر و با نرخ تغییرات کمتر است. نکته قابل توجه دیگر، کاهش دامنه انحراف انتهای بازوی انعطاف پذیر در پیاده سازی کنترل کننده فازی با استنتاج ضرب و ساختار دوم نسبت به شبیه سازی آن می باشد.

6-3- کنترل کننده عصبی- فازی
طراحی کنترل کننده فازی–عصبی، با آرایش توابع گوسین بر اساس نتایج به دست آمده از کنترل فازی با استنتاج ضرب و تطبیقی کردن مراکز دسته خروجی شروع شد. نتایج شبیه سازی حاکی از عملکردی مشابه با عملکرد سیستم با کنترل فازی بود. علاوه بر این، حساسیت عملکرد سیستم حلقه بسته به تغییر سیگنال ناظر (منتقد) در الگوریتم عاطفی بسیار پایین بود. ولی با تغییر این آرایش به یک آرایش نسبتا یکنواخت مطابق شکل (6-13)، این مشکل برطرف می شود. در نتیجه طراحی کنترل کننده فازی-عصبی را با آرایش یکنواخت توابع گوسین ادامه داده شد.

6-3-1- شبیه سازی کنترل عصبی- فازی
در شکل های (6-14)، (6-15) و (6-16) نتایج حاصل از شبیه سازی کنترل کننده فازی-عصبی با ساختار اول آورده شده است. در شکل (6-14)، تنها بخش تالی را توسط الگوریتم عاطفی آموزش می دهیم و در شکل (6-15)، علاوه بر آن، مراکز دسته و پهنای توابع گوسین را هم آموزش می دهیم. ژاکوبین سیستم در این دو حالت بر اساس مدل فضای حالت مطابق رابطه (5-23) در الگوریتم آموزش عاطفی قرار داده شده است. اما در شکل (6-16)، ژاکوبین سیستم بر اساس تخمین حاصل از شناساگر شبکه عصبی در این رابطه قرار می گیرد و مراکز دسته تالی ، مراکز دسته و پهنای توابع گوسین تحت آموزش قرار می گیرند.
همین نتایج برای شبیه سازی کنترل کننده فازی-عصبی با ساختار دوم در شکل های (6-17)، (6-18) و (6-19) نشان داده شده اند.

  دانلود پایان نامه رگرسیون گام به گام و رهبری تحول آفرین
  • مشاهده می شود که در ساختار اول با تطبیقی کردن پارامتر های توابع گوسین علاوه بر بخش تالی، دامنه انحراف انتهای بازو از 7 درجه به 4.5 درجه و میزان مصرف سیستم از 1.6 به 1.4 کاهش می یابد ولی پاسخ جابجایی زاویه ای هاب از پاسخی بدون فراجهش به پاسخی با 2.2 درجه فراجهش تبدیل می شودو زمان استقرار آن نیز از 1.4 ثانیه به 1.6 ثانیه افزایش می یابد.
    با تغییر ژاکوبین از یک بردار ثابت به برداری که توسط شبکه عصبی به روز رسانی می شود، پاسخ سیستم در شکل (6-16) نسبت به شکل (6-15) تغییرات اندکی را نشان می دهد. دامنه انحراف انتهای بازوی انعطاف پذیر چندان تغییری نمی کند ولی میزان مصرف از 1.4 به 1.45 افزایش می یابد. پاسخ جابجایی زاویه ای هاب نیز با اندکی کاهش در زمان استقرار به 1.5 ثانیه، کاهش اندکی نیز در فراجهش به حدود کمتر از 2 درجه نشان می دهد.

    در ساختار دوم کنترل کننده فازی-عصبی، مشاهده می شود که نوع تغییرات در شکل (6-18) نسبت به شکل (6-17) مانند تغییرات نتایج مشابه برای ساختار اول است.
    کاهش دامنه انحراف انتهای بازو از 7.5 به 4.5 درجه و میزان مصرف سیستم از 1.7 به 1.4 دیده می شود. در پاسخ جابجایی زاویه ای هاب با کاهش زمان استقرار از 1.5 به 1.3 ثانیه، میزان فراجهش کمتری را نسبت به ساختار اول نشان می دهد

    با تغییر ژاکوبین باز هم تغییراتی همسان با نتایج مشابه در ساختار اول رویت می شود، فقط بر خلاف ساختار اول در اینجا افزایش میزان انحراف انتهای بازوی انعطاف پذیر نسبت به شکل (6-18) مشاهده می شود(از 4.5 به 5.5). با توجه به اینکه میزان فراجهش در این ساختار کمتر بوده است. در این حالت می توان با دقت کمتر از 0.5 درجه گفت که فراجهشی ندارد و زمان استقرار هم حدود 1 ثانیه است.
    6-3-2- پیاده سازی کنترل عصبی- فازی
    در شکل های (6-20)، (6-21) و (6-22) نتایج حاصل از پیاده سازی کنترل کننده فازی-عصبی با ساختار اول آورده شده است. در شکل (6-20)، تنها بخش تالی را توسط الگوریتم عاطفی آموزش می دهیم و در شکل (6-21)، علاوه بر آن، مراکز دسته و پهنای توابع گوسین را هم آموزش می دهیم. ژاکوبین سیستم در این دو حالت بر اساس مدل فضای حالت مطابق رابطه (5-23) در الگوریتم آموزش عاطفی قرار داده شده است. اما در شکل (6-22)، ژاکوبین سیستم بر اساس تخمین حاصل از شناساگر شبکه عصبی در این رابطه قرار می گیرد و مراکز دسته تالی ، مراکز دسته و پهنای توابع گوسین تحت آموزش قرار می گیرند. همین نتایج را برای ساختار دوم در شکل های (6-23)، (6-24) و (6-25) می بینیم.
    در پیاده سازی ساختار اول مشاهده می شود که در شکل (6-21) نسبت به شکل (6-20) بر خلاف پاسخ مشابه در شبیه سازی، تنها در دامنه انحراف انتهای بازوی انعطاف پذیر کاهش دیده می شود و در سایر موارد هیچ بهبودی رویت نمی شود. علاوه بر این ارتعاشات ریزی روی پاسخ انحراف انتهای بازو و پاسخ ولتاژ ورودی به موتور دیده می شود.
    با تغییر بردار ژاکوبین به بردار تخمینی تطبیقی توسط شبکه عصبی، در شکل (6-22)، در زمان استقرار و میزان فراجهش و توان مصرفی و حتی دامنه انحراف انتهای بازو، اندکی افزایش رویت می شود ولی ارتعاشاتی که در پاسخ انحراف انتهای بازوی انعطاف پذیر و پاسخ ولتاژ ورودی موتور دیده می شد، کمی بهبود می یابد.
    پیاده سازی ساختار دوم همسانی بیشتری با پاسخ های مشابه حاصل از شبیه سازی نشان می دهد. در شکل (6-24) نسبت به شکل (6-23)، بهبود در کاهش دامنه انحراف انتهای بازو از 5.6 به 4 درجه و توان مصرفی از 3.2 به 2.1 مشاهده می شود. علاوه بر این، ارتعاشات ریزی که در ساختار اول دیده می شد، در اینجا به مراتب کمتر است.

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