فهرست مطالب
عنوان صفحه
فهرست جدول‌ها ب
فهرست شکل‌‌ها ج
فصل 1- فیلتر ترکیبی کالمن و GMDH 1
1-1- مقدمه 1
1-2- مدلهای شبکه عصبی مبتنی بر الگوریتم ژنتیک 4
1-3- مدلهای شبکه عصبی مبتنی بر الگوریتم GMDH 5
1-4- مدل سازی با استفاده از شبکه عصبی نوع GMDH 9
1-4-1- مبنای ریاضی الگوریتم GMDH 10
1-4-2- معرفی الگوریتم GMDH بر اساس تئوری و آنالیز مدلسازی سیستم ها 12
1-1-1- مدلسازی سیستم های جزئی 16
1-4-2-1- روش حل معادلات متعامد(SNE) 17
1-4-3- روش تجزیه مقادیر منفرد(SVD) 18
1-4-4- روش SVD برای ماتریس مربعی : 19
1-5- ویژگی های عمومی شبکه های GMDH 24
1-6- طراحی ساختارهای گوناگون برای شبکه های GMDH 25
1-6-1- متد اول: طرح ساختار شکل گرفته بر اساس افزایش فشار انتخاب (I.S.P) 26
1-6-2- متد دوم : طرح ساختار از پیش تعیین شده (P.S.D) 28
1-6-3- متد سوم : طراحی تکاملی ساختار شبکه عصبی(ED) 29
1-7- کاربرد فیلتر UKF در تخمین ضرایب شبکه عصبی نوع GMDH 30
1-8- ترکیب اطلاعات بر اساس فیلتر کالمن 32
1-9- مقایسه تئوریها 35
1-10- معرفی شبکه ای جدید از خانواده GMDH بر اساس ساختمان ANFIS 40
فهرست مراجع 46
شبکه های عصبی مصنوعی ابزارهای قدرتمندی هستند که از دانش کنونی بشرراجع به شبکه های عصبی موجودات زنده الهام گرفته شده اند و جهت شناسایی رفتار سیستم های خیلی پیچیده و یا نامشخص براساس داده های ورودی و خروجی معلوم مورد استفاده قرار می گیرند[ ]. در این نوع شبکه ها، هدف آن است که با استفاده از تعداد زیادی عناصر محاسباتی ساده که با حجم زیادی از اتصالات به یکدیگر متصل شده اند، تابع مورد نظر بدست آید [ ].
شبکه های عصبی تقریبا می توانند هر تابع غیرخطی را تقریب بزنند. پیچیدگی ذاتی موجود در طراحی شبکه های عصبی به شناسایی ساختار و ضرایب آموزش دهنده آن مرتبط است. الگوریتم پس انتشار یکی از متداولترین الگوریتم های مورد استفاده جهت آموزش این شبکه ها می باشد. اما الگوریتم پس انتشار به انتخاب وزن‌های اولیه و تعداد نرون‌های مخفی وابسته است. همچنین سرعت همگرایی آن خیلی کند است و به نویزهای موجود در مجموعه داده های ورودی و خروجی که جهت آموزش شبکه عصبی به کار می‌روند بسیار حساس است. همچنین در مدل سازی فرآیندهای پیچیده عملکرد ضعیفی دارد [ و ].
جهت رفع نواقص مذکور تحقیقات گسترده ای انجام پذیرفته است [ ، و ]. یکی از معروفترین الگوریتم ها در جهت رفع نواقص مذکور استفاده از فیلتر کالمن است. فیلتر کالمن یک فیلتر بازگشتی کاراست که متغیر حالت یک سیستم پویا را از دنباله ای از اندازه گیری های ناقص و مخدوش تخمین می زند. این فیلتر از یک سری مجموعه محاسبات برگشتی براساس حداقل نمودن میانگین مجذور خطای تخمین برای تخمین بهینه متغیرها و پارامترهای سیستم استفاده می‌نماید[1].سینگالو وو ، از الگوریتم فیلتر کالمن توسعه یافته جهت آموزش شبکه‌های عصبی پیشخور استفاده نمودند. آنها تمامی وزن‌های شبکه را تحت عنوان یک بردار متغیر حالت در الگوریتم EKF در نظر گرفته و سپس نشان دادند که الگوریتم EKF به تعداد تکرار کمترینسبت به الگوریتم پس انتشار نیاز دارد و از دقت بالاتری برخوردار است [ ]. اما هنگامی که تعداد نرون‌های مخفی افزایش می‌یابد، بعد بردار متغیر حالت (وزن‌های شبکه) و همچنین ماتریس کوواریانس خطا خیلی بزرگ میشود و اغلب سبب مشکل در محاسبات عددی می‌گردد.جهت کاهش پیچیدگی محاسبات، پاسکریوس و فلدکمپ الگوریتم DEKFرا ارائه نمودند که در آن وزن‌های هر لایه را به صورت مجزا تعیین می‌گردد و با این کار بُعد بردار متغیر حالت کاهش می‌یابد[ ]. ریوالدز و پرسوناز ، حالت‌های مختلف مقادیر اولیه برای الگوریتم آموزشیEKF بررسی نمودند و سپس پیشنهاد نمودند که چگونه مقادیر اولیه را برای کوواریانس خطای سیستم و ماتریس خطای نویز فرآیند انتخاب گردد [9]. وان در مرو از الگوریتم UKF جهت آموزش شبکه‌های عصبی استفاده نمود و نشان داد که الگوریتم UKF روشی پایدارتر و با نرخ همگرایی سریعتری نسبت به EKF است [ ].
وو و وانگ از فیلترهای EKF و UKF جهت آموزش شبکه های عصبی پیشخور استفاده نمودند و نشان دادند که مدل شبکه حاصله براساس فیلتر UKF (در مواردی که سیستم دارای عناصر غیرخطی پیچیده است) از دقت پیش بینی بهتری نسبت به فیلتر EKF برخوردار است [ ].
یکی از انواع شبکه های عصبی که در شناسایی مدل و پیش بینی رفتار سیستم های خیلی پیچیده و یا نامعلوم مورد استفاده قرار می گیرد، الگوریتم دسته بندی گروهی داده ها است که توسط پروفسور ایواخنینکو معرفی و گسترش پیدا کرده است[ ]. در سالهای اخیر تلاشهای زیادی در جهت شناسایی ساختار و ضرایب این شبکه ها توسط محققان انجام پذیرفته است و الگوریتم های تکاملی بخصوص الگوریتم ژنتیک به دفعات جهت شناسایی ساختار شبکه پیشنهاد گردیده است [ ، ]. زیرا الگوریتم های تکاملی بویژه برای مسایل پیچیده که دارای فضای جستجو با اکسترمم های محلی فراوان است کارایی بسیار دارند. همچنین جهت تعیین ضرایب شبکه روش تجزیه مقادیر منفرد مورد استفاده قرار گرفته است [ , ].
تعداد صفحات : 55
فرمت فایل : word ( قابل ویرایش ) میباشد.
توجه : این فایل با بهترین کیفیت قابل پرینت میباشد.
