تکه هایی از متن به عنوان نمونه :
چکیده:
در این پایان نامه ابتدا به بررسی نویز و خواص آماری آن که اثر مستقیم بر روی قابلیت پیشگویی سیگنال دارد، می پردازیم. ساختار کنترل فعال نویز با دو چیدمان فیدبک و feedforward را توضیح می دهیم. پس از آن ساختار فیلترها و الگوریتم حاکم بر آنها و چگونگی تعیین ضرایب فیلترها در کنترل کننده ها و همچنین الگوریتم FX‐LMS در ساختار کنترل فعال نویز feedforward به طور کامل توضیح داده می شود. در ادامه به بررسی شبکه های عصبی و کاربرد آنها در ساختارهای کنترلی پرداخته و نوع feedforward و بازگشتی شبکه عصبی به همراه معادلات، تعداد ضرایب و خصوصیاتشان بیان می شود. پس از معرفی شبکه های عصبی به بررسی کاربرد آنها در ساختارهای کنترلی پرداخته و در ادامه ساختار کنترل مدل مرجع را با شبکه عصبی بازگشتی پیاده سازی کرده و معادلات لازم برای آموزش شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت را معرفی می کنیم و از این ساختار برای سیستم کنترل فعال نویز استفاده می کنیم. در ابتدا با یک شبکه عصبی feedforward سیستم را شناسایی کرده و از آن به تنهایی و بدون درنظرگرفتن تاثیر پلنت (مسیر ثانویه) برای حذف نویز استفاده می کنیم. در گام بعدی کنترل فعال نویز را با دو شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت برای یک سیستم خطی شبیه سازی نموده و این کنترل کننده را برای دو نوع نویز سفید و نویز موتور مورد بررسی قرار می دهیم. در انتها، سیستم خطی را با درنظرگرفتن عوامل غیرخطی بلندگو به یک سیستم غیرخطی تبدیل کرده و قابلیت سیستم کنترل فعال نویز با شبکه عصبی بازگشتی را در یک سیستم غیرخطی به منظور حذف نویز مورد مطالعه قرار می دهیم.
این مطلب را هم بخوانید :
پایان نامه با کلمات کلیدی عقلای مجانین، معرفت خدا، پورنامداریان
معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می کند.
در روش هوشمند برای ساختن کنترل کننده به جای فیلتر از شبکه های عصبی استفاده می کنیم و به جای الگوریتم های LMS, از الگوریتم هایی مانند backpropagation, filtered‐X, backpropagation, استفاده می کنیم. شبکه های عصبی به صورت موفقیت آمیزی به منظور تقریب، شناسایی و کنترل بر روی سیستم های دینامیک اعمال می شوند. شبکه های عصبی به خوبی می توانند در ساختارهای کنترلی نظیر Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ایفای نقش کنند. زمانی که از شبکه های عصبی استفاده می شود باید ابتدا وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد که این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش