مقاله در مورد شبکه های ( ANN )

بخشی از مقاله

شبکه های (ANN)

مقدمه: (ANN) شبکه هایی هستند که به صورت یک تکنولوژی درآمده اند و هنوز هم به طور مداوم در روش های دینامیک در مورد اقدام به تولید یک روش معمولی برای طراحی یک کنترل کننده اصلی در این تکنولوژی به کار می رود. بر اساس این واقعیت ما در حال اقدام کردن به استفاده از این روش برای تولید این متد معمول از کاربردهای نور و کنترل و همچنین نشان دادن چندین طرح کنترلی با استفاده از لایه های محسوس داخلی و همچنین کنترل کننده (CMAC) می باشیم.

کاربردهای ANN در کنترل توسط عملکرد در یک اختلاف زمان متفاوت، کاربرد سوء آن سازگاری با تغییرات در دینامیک های طرح به خوبی تاثیرات محیط اطلاعات مخصوص یادگیری در یک موضوع و

مکان ثابت و استوار محدودیت های کمی را در روش طرح به وجود آورده است. امیدواریم که افزایش سازگاری در نتیجه توسعه سیستم اجرائی، افزایش کیفیت تحلیل و کاهش قیمت طرح به وجود بیاید. نورال آلگوریتم ها بیشتر برای کنترل مهندسی به کار می روند. یکی از نکات کلیدی نور و کنترل این است که عملکردهای فعال غیرطولی نورون ها به طور طبیعی خودشان را در اختیار کنترل سیستم هایی قرار می دهند که دینامیک هایی با عرض های بالای شناخته شده و غیرمعین

دارند. آونگ معکوس و آونگ دوبل معکوس معیار سستم های دینامیک غیرطولی می باشند که بی ثبات هستند و برای آزمایش طرح های کنترل به کار می روند. یکی از اهداف این پروژه بررسی استفاده از طرح های شبکه یا رشته ای برای کنترل سیستم پاندول معکوس ساده برای آزمایشات اولیه و سیستم های پاندول معکوس دوتایی به عنوان هدف نهایی می باشد.

توصیف طرح کنترل: با توجه به بحث بالا تعریف سیستم برای پاندول ساده و دوبل در ابتدای کار ما می باشد. یک کنترل کننده نور و (شکل 1) با استفاده از مدل شبکه ای نورال برای آونگ طراحی می شود. ما نشان می دهیم که کنترل کننده ها برای ثابت نگه داشتن سنسور و به حرکت درآورنده ها و پارامترهای از پیش تعیین نشده (مثل اشتباهات مدلی) به کار برده می شوند.

نور و کنترل کننده آونگ معکوس ساده، با یک کنترل کننده خطی ساخته شده با مدل طرح Pole Placeman ساخته می شود. یک طرح کنترل معکوس مستقیم، به عنوان کنترل اولیه مورد استفاده قرار می گیرد (7) (6) (5). شکل 1 نشان می دهد که دیاگرام نروکنترل با استفاده از یک طرح معکوس مستقیم به کار می رود. در داخل مدل سیگنال ها از موقعیت های طرح می رسند و در خارج یک سیگنال کنترل مستقیماً به سمت اونگ معکوس می رود. مدل معکوس مستقیم به عنوان سیستم کنترل کننده بدون کنترل کننده خطی مورد استفاده قرار می گیرد. ]3[. آونگ معکوس

دوبل توسط دینامیک های طرح مدل بندی می شود و از یک مدل معکوس مستقیم استفاده می کند. این مدل رشته ای به عنوان مدل مرجع در یک طرح کنترل سازگار مستقیم به کار برده خواهد شد. ]2[. این طرح در شکل 2 نشان داده شده است و به ما کمک می کند که نرو کنترل کننده را بسازیم. در این طرح نشانه بیرونی توسط بیرون مدل مرجع تعیین می شود که اجازه می دهد

سیگنال کنترل در یک روش ثابت همان طور که طرح های علامت گذاری شده خارجی از خارج مدل مرجع نشانه گرفته اند تطابق به وجود بیاورد. ]4[. اجزاء این آلگوریتم بستگی به یک مدل مرجع مناسب و ریشه گیری از یک مکانیسم یادگیری اختصاصی دارد.

شبکه ها با آلگوریتم Levenberg-Marquardt برای درست کردن هر دو سیستم تعریف شده و کنترل کننده تعیین شده ای راکه نتیجه یادگیری درست آن به عنوان عامل مقایسه ای بعد از تکثیر آن یا بعد از تکثیر با تکانه حرکت و درجه سازگاری می باشد به کار برده شده است. در تکنیک CMAC یک عامل کششی در تعیین آن در مورد نرم افزار برای تعیین زمان و زمان واقعی عملکرد آن وجود دارد. مدل گیری و ساخت CMAC و کاربرد آن در طرح نشان داده می شود.

مدل طرح: سیستم آونگ معکوس یک نوعی از سیستم غیرخطی (طولی) دینامیک می باشد، این چنین سیستم هایی در شکل 3 نشان داده شده اند. برای این آزمایشات اولیه، آونگ معکوس ساده (شکل a3) به عنوان طرح مورد استفاده قرار میگیرد و ما آن را به سمت کنترل آونگ دوبل معکوس در مرحله بعدی حرکت می دهیم. یک جایگاهی برای ایجاد یک مدل طرح به وجود می آید. سپس یک کنترل کننده طراحی می شود و این کار با استفاده از تکنیک طراحی جایگذاری میله به

اجرا درمی آید. طرح در مراحل تعیین یک سیستم با موقعیت میله فرموله می شود. کنترل کننده یک سیگنال کنترلی را ایجاد می کند که قصد داریم در مورد آونگ معکوس آن را به کار ببریم و از آن به منظور کنترل باز و در موقعیت قائم استفاده کنیم.
عبارات مدل آونگ معکوس عبارتند از
(1 (2
استفاده از حل Ackerman برای موقعیت میله با و و و می باشد
عبارت سیستم کنترل عبارت است از
(3
با کنترل قدرت برابر مساوی است با :

طرح دوم: در این تحقیق ما ]9[ PendubotTM را که روشی مکانیکی برای استفاده در کنترل تحصیلات مهندسی و برای تحقیق در کنترل غیرخطی و ربات ها به کار می رود را بیان کنیم. این روش رباط طراحی شده 2 پیوندی با یک به حرکت درآورنده در شانه امانه در آرنج های رباط می باشد. با این سیستم تعدادی از بخش های بنیادی در دینامیک های غیرخطی و تئوری کنترل ممکنه توضیح داده شود. سیستم های مکانیکی آویزی همچون آونگ معکوس قبلا استفاده می شدند. ما طرح و کنترل PendubotTM، یک دوپیوندی، مکانیسم رباتیک به حرکت درآورنده که ما برای تحقیق

در کنترل غیرخطی استفاده می شود را بیان خواهیم کرد تا در بخش های متفاوت در دینامیک های غیرطولی، رباتیک ها و طراحی سیستم کنترل به دانش آموزان آموزش بدهیم. PendubotTM شامل دو پیوند آلومینیومی سخت و محکم به طول 9 و 6 می باشد. رابط 1 مستقیما با میله یک مغناطیس با دوام V90 در موتور DC در قمست دهانه به انتهای یک صفحه جفت می شود. دهانه موتور برای ساخت سیستم به ما کمک می کند. رابط 1 شامل محفظه ای می باشد که دو اتصال

دارد. چرخاننده محور به سمت زمینه محوری که برای ساختن چرخش اتصالات برای رابط 2 نیاز می باشد حرکت می کند. محور در بیرون دو سوی مستقیم محفظه جفت شده به رابط دوم و به یک دهانه رمزی اپتیکال در رابط اول توسعه و بسط پیدا می کند. طرح به هر دو رابط 360 درجه حرکت دورانی می دهد. رابط 2 از یک آلومینیوم به ضخامت 4/1 اینچ و با یک جفت که به اتصال دوم میله وصل است ساخته می شود.

تمام مراحل کنترل در یک پنتیوم PC با یک کارت D/A و یک کارت داخلی رمزدار اجرا می شوند. تمام نرم افزارهای معمول کتابخانه ای با این کارت های داخلی تهیه می شوند و ما قادریم که آلگوریتم های کنترلی را مستقیماً در C برنامه ریزی کنیم.
مدل طرح دوم: شکل 4 رسم PendubotTM را نشان می دهد. از آنجائیکه روش ما یک ربات 2 پیوندی می باشد معادلات دینامیکی در ربات های بزرگ به این صورت می تواند باشد.
(5 (6
در اینجا و زوایای اتصال و گشتاور داخلی می باشد. اختلاف مهم بین معادله 5 و معادله 6 و یک ربات دوپیوندی استاندارد، فقدان گشتاور داخلی کنترلی نسبت به معادله 6 می باشد. سیستم های مکانیکی به حرکت درآورنده معمولا تعادلی دارند که بستگی به پارامترهای دینامیکی و حرکات جنبشی آنها دارد.
اگر PendubotTM همانطوریکه محورهای اتصال عمود بر جاذبه هستند ساخته شود پس در آن جا به صورت مداوم یک تعادلی خواهیم داشت. این تعادل توسط رابط دوم قائم برای هر موقعیتی از رابط اول برنامه ریزی شده.

نور و کنترل کننده ای بر سااس یک مدل غیرطولی با استفاده از ساختار MLP و CMAC
ساختار توضیح داده شده در بالا یکی از کاربردهای استفاده بوده است. در شکل 5 ما نمایش گرافیکی نور و کنترل کننده معکوس مستقیم را نشان می دهیم.
جفت های داخلی و خروجی که ایجاد شده بودند تا برای استفاده مدل غیرخطی استفاده شوند حالا به منظور ساخت شبکه کاربرد دارند. ما

4 متغیر داخلی داریم که عبارتند از: زاویه، ریشه گیری زاویه، موقعیت ماشین و ریشه آن.
ما از او ساختار رشته ای برای ساخت کنترل کننده های نورونی استفاده کرده ایم: یکی بر اساس شبکه MLP با آلگوریتم Levenberg-Marquart و یکی بر پایه CMAV (1). شبکه MLP سه لایه دارد با 4 بخش در لایه داخلی اش، 3 بخش در لایه مخفی و یک بخش در سطح خارجی. تمام فعالیت و عملکردها به صورت خطی می باشند. تمام ساختار شبکه با استفاده از شبکه های رشته ای از MATLAB به دست آمده است.

کنترل کننده نوری CMAC
شبکه CMAV 4 فضای داخلی و یک فضای خارجی دارد. ما با یک پارامتر 4 بخشی و یک بردار (1024، 1024 و 20 و 20) کار کرده ایم. این درجه از یادگیری ما برای ساخت 25/0 استفاده شد. شبکه نیاز به 32 دوره برای رسیدن به همگرایی دارد. سیستم نیاز به تنها 107 موقعیت حافظه دارد زیرا عملکرد یک حافظه در زمان استفاده از تصادم و به هم خوردن حافظه جلوگیری می کند.

عمکرد CMAC می تواند به آسانی در بخش هایی در زمینه های وسیعی توضیح داده شود. واکنش شبکه رشته ای CMAC به یک بخش داخلی داده شده، میانگین واکنش های زمینه های پذیرش به وجود آمده توسط آن بخش داخلی می باشد و زمینه های پذیرش دیگری روی آن تاثیر نمی گذارند.
تعیین شبکه NEURAL برای یک بردار داخلی داده شده برروی پارامترهای قابل تنظیم در زمینه های پذیرش موجود تاثیر می گذارد، ولی تاثیر برروی پارامترهای باقی مانده در زمینه های پذیرش اصلی

ندارد. سازماندهی زمینه های قبول کننده از شبکه CMAC. Neural با یک فضلای داخلی دو سویه بعداً توضیح داده می شود. مجموعه نهایی از زمینه های پذیرا به لایه هایی تقسیم می شود که فضاهای بسیاری از N موازی برای یک شبکه با فضای داخلی N را نشان می دهد.
زمینه های پذیرا در هر یک از لایه ها دارای مرزهای راست گوشه می باشد که به عنوان دهانه فضای داخلی سازماندهی می شوند. هر بردار داخلی یک زمینه پذیرا از هر لایه را به وجود می آورد که برای هر لایه داخلی که در زمینه پذیرای C می باشد به کار می رود.

به هر صورت تعدادی از زمینه های پذیرای موجود نیاز به یک دهانه فضای داخلی دارند که یم تواند برای بسیاری از مشکلات عملی به کار برده شود. از طرف دیگر به نظر می آید که فضای داخلی یک سیستم بزرگ در حل یک مشکل بخصوص قابل ملاحظه می باشد. بنابراین لازم نیست که اطلاعاتی را برای زمینه پذیرا ذخیره کنیم.
بر اساس این قانون بیشترین ابزارهای Albus CMAC شامل بعضی از رندوم ها می باشد که تنها اطلاعاتی در مورد زمینه های پذیرای موجود در سیستم ساختاری و ذخیره ای به ما می دهد. هر زمینه ای در CMAC به عهده می گیرد که یک نوعی از خاموش و روشن شیء باشد. اگر یک زمینه

ای موجود باشد، واکنشش برابر است با مغناطیس قابل تنظیم که سنگینی مخصوص آن زمینه را داشته باشد. اگر زمینه پذیرا وجود نداشته باشد واکنش آن صفر می شود. خروجی CMAC میانگینی از سنگینی های قابل تنظیم از زمینه های پذیرا می باشد. شبکه neural و CMAC قطعات هوشمند خروجی ها را هم تولید می کند. شبکه ساخته شده به نوعی بر اساس مشاهده

ساختار جفت های S و yd(s) می باشد که yd(s) خروجی شبکه در واکنش با بردار ورودی s می باشد. ارزش W (وزن) به هر یک از موقعیت های حافظه ای (W[A’J)C افزوده می شود و در مقایسه با y(s) قابل دسترس تر می باشد. این برابر است با شناخت خوب سازجگاری LMS برای المنت های تطابق خطی با یک سود پایدار.