قیمت 19,000 تومان

اشتراک 0دیدگاه 362 بازدید

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

معرفی روش آنالیز مولفه ­ی اصلی و شبکه عصبی مصنوعی.

3-1-    مقدمه شبکه عصبی مصنوعی

3-2-    روش آنالیز مولفه ­ی اصلی

3-3-    شبکه عصبی مصنوعی .

3-3-1-    تک­نرون به­ عنوان دسته ­بندی کننده

3-3-2-    آموزش پرسپترون

3-3-3-    پرسپترون تک­لایه

3-3-4-    پرسپترون چندلایه

3-3-5-    آموزش شبکه ­های عصبی MLP.

3-3-6-    الگوریتم پس­انتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون.

3-4-    نقش شبکه عصبی در عیب­یابی.

منابع شبکه عصبی مصنوعی

شبکه های عصبی مصنوعی

شبکه عصبی مصنوعی

مقدمه شبکه عصبی مصنوعی

روش­های مبتنی بر دادﻩها بر اساس دادﻩهای دريافتی از حسگرهای موجود در واحد فرآيندی و با استفاده از دانش آمار چند متغيره، عادی يا غيرعادی بودن فرآيند را مشخص نموده و در صورت غيرعادی بودن وضعيت به تشخيص عيوب سيستم، می­پردازند. در اين راستا، بسته به نوع روش بكار گرفته شده برای ارزيابی تغييرات دادﻩها، كارایی سيستم  ﻋﻴﺐيابی متفاوت است. به­طور كلی دو دسته تغييرات برای دادﻩهای فرآيندی وجود دارند. يک دسته از تغييرات، ناشی از وجود نويز در ﺳﻴﺴﺘﻢهای اندازﻩگيری می­باشد و ﺑﻪطور كلی در دادﻩهای هر فرآيندی يافت می­شود. دﺳﺘﻪی دوم تغیيرهای موجود در دادﻩها، ناشی از نويز نبوده و می­تواند به علت وجود عيب و يا اغتشاش باشد. ﺳﻴﺴﺘﻢهای كنترل مرسوم در واحدهای فرآيندی، در جهت كنترل تغييرات دﺳﺘﻪی دوم، فعال می­شوند.

لذا، دﺳﺘﻪی اول تغييرات هميشه در دادﻩها وجود دارند و به همين دليل نظرﻳﻪ­ی آمار در بيشتر ﺳﻴﺴﺘﻢهای بازبينی، نقش مهمی ايفا می­نمايد. فرض مهم روﺵهای مبتنی بر دادﻩها اين است كه برای يک وضعيت معين، معيارها و خصوصيات آماری حاصل از پردازش دادﻩهای فرآيندی، منحصربفرد و قابل تكرار می­باشد. بر اين اساس می­توان با محاﺳﺑﻪی پارامترها و معيارهای آماری دادﻩهای  ﺑﻪ­دست آمده از فرآيند و مقاﻳﺴﻪی آن با خصوصيات آماری فرآيند در وضعيت عادی فرآيند، عادی يا غيرعادی بودن وضعيت فرآيند را تعيين نمود.

استفاده از روﺵهای مرسوم در آمار يك متغيره مانند نمودارهای شوارت و يا روش متوسط نمائی متحرک[1] ازجمله شيوﻩهای تشخیص عادی يا غيرعادی بودن فرآيند، می­باشند. در اين روﺵها با استفاده از دادﻩهای اندازﻩگيری شده برای هر متغير، آستاﻧﻪای تعريف می­گردد. در صورتی ­كه هريک از متغيرهای اندازﻩگيری شده از آستاﻧﻪی مربوطه تجاوز كنند، به­معنای وضعيت غيرعادی درسيستم فرآيندی می­باشد.

 

روش آنالیز مولفه­ ی اصلی

قبل از استفاده از داده­های فرآیند، برای آموزش سیستم مانیتورینگ مبتنی بر داده، مانند شبکه­های عصبی و مدل­های آماری، بایستی 3 عملیات مختلف بر روی آنها انجام داد. داده­های مذکور از حسگرهای متنوعی که در نقاط متعدد فرآیند نصب شده­اند به واحد ارسال می­گردد. همچنین احتمال دارد برخی از داده­های ارسالی از حسگرها با آن بخش از فرآیند که تحت نظارت سیستم مانیتورینگ قرار داده می­شود، مرتبط نباشد. از طرف دیگر این امکان وجود دارد که برخی از حسگرها مشکل کالیبراسیون داشته و یا اصولا خراب باشند. لذا برای افزایش کارایی لازم است پیش از بکارگیری مجموعه داده­ها در طراحی سیستم مانیتورینگ عملیات حذف متغیرهای اضافی، نامرتبط و دارای خطای زیاد بر روی مجموعه متغیرها صورت پذیرد.

عملیات دیگری که بر روی داده­ها باید صورت گیرد، حذف داده­هایی است که به­طور ناگهانی از روند بقیه داده­های یک متغیر خاص فاصله می­گیرند. این­گونه داده­های پرت ممکن است به علت یک خطای لحظه­ای ایجاد شود. چون داده­های پرت باعث خطای زیادی در تخمین پارامترهای آماری می­شوند، لازم است پیش از طراحی سیستم مانیتورینگ آنها را حذف نمود. تشخیص این داده­های پرت می­تواند به­صورت شهودی از طریق ترسیم داده­های هر متغیر و یا از روش­های آماری مانند استفاده از آماره­ی هاتلینگ باشد.

ماهیت و مقادیر متغیرهای اندازه­گیری شده توسط حسگرهای فرآیند با یکدیگر متفاوت بوده و این مسئله برای مدل­های آماری که مستقل از مقیاس متغیرها نیستند، مانند روش کاهش بعد PCA ایجاد اشکال می­نماید، در واقع بزرگ بودن مقادیر برخی از متغیرها نسبت به بقیه باعث می­شود که اهمیت آنها در سیستم مانیتورینگ بدون دلیل منطقی زیاد شده و اثر متغیرهای مهم دیگر که مقادیر آنها کوچک است، حذف شود.

شبکه عصبی مصنوعی

جهت مشاهده نمونه های دیگر از ادبیات و مبانی نظری مهندسی برق کلیک کنید.

شبکه­ عصبی

اولین کارهای مربوط به شبکه­های عصبی به سال 1943 برمی­گردد، زمانی که یک فیزیولوژیست اعصاب به­نام مک­کلا[1] و یک ریاضیدان به­نام پیتس[2] رساله خود را در مورد نحوه عملکرد احتمالی نرون­ها در مغز منتشر کردند. از آن زمان تا سال حدود 1959 این موضوع مورد توجه مهندسین قرار نگرفت. اما در این سال از شبکه­های عصبی به­عنوان فیلتر تطبیقی در خطوط تلفن مورد استفاده قرار

گرفت که اولین استفاده شبکه عصبی در دنیای واقعی نیز بود. در سال 1962 رزنبلات[3] مفهوم پرسپترون تک­لایه را به­عنوان ابزاری مفید در در دسته­بندی مجموعه­ای از داده­ها به دو کلاس  معرفی و برای قانون آموزش پرسپترون، اثبات پایداری ارایه نمود.

در سال 1969 ، مینسکی [4]و پپرت [5]در رساله­شان و کتابی به نام پرسپترون­ها نشان دادند که شبکه عصبی (تک­لایه) در جداسازی مجموعه داده­هایی که به صورت غیرخطی جداپذیرند ضعیف عمل می­کند حتی در مورد داده­هایی که توابع ساده­ای مانند XOR (یای انحصار) را نمایش می­دهند. مینسکی و پپرت ضعف­های دیگری از شبکه­های عصبی را نیز نشان دادند. آنها همچنین (به اشتباه) اظهار داشتند که چندلایه کردن شبکه عصبی، تاثیری در حل محدودیت­های گفته شده ندارد؛ هر چند در ادامه تاکید کردند که پژوهش در این زمینه ارزشمند می­باشد، این امر موجب شد پژوهش و سرمایه­گذاری در زمینه شبکه عصبی به­شدت کاهش یافت.

در سال 1982 ، اتفاقات زیادی موجب علاقه دوباره به شبکه عصبی شد. از آن جمله می­توان به ارایه مدلی توسط هپفیلد[6] با اتصال دو طرفه نرون­ها و برگزاری کنفرانس آمریکایی-ژاپنی با عنوان شبکه­های عصبی همیاری/رقابتی در کیوتوی ژاپن نام برد. شبکه­های عصبی از این شروع مجدد پژوهش­ها تا به­حال، پیشرفت­های زیادی به چشم دیده است. مدل­های مختلف و روش­های آموزش متنوعی معرفی و توسعه داده شدند و شبکه عصبی مصنوعی در کاربردهای تشخیص الگو، تقریب توابع و مدلسازی سیستم­های دینامیکی خطی و غیرخطی و … مورد استفاده قرار گرفتند. در [24] گردآوری خوبی در زمینه تاریخچه شبکه عصبی انجام شده است.

در ادامه به بررسی عملکرد شبکه عصبی پرسپتر.ن چندلایه[7] (MLP) و نحوه آموزش آن می­پردازیم. مطالعه بر روی  شبکه­های عصبی را به دو دلیل با تک­نرون آغاز می­کنیم. اول، به دلیل آنکه بسیاری از مدل­های شبکه عصبی از تک­نرون­ها تشکیل می­شوند و دوم آنکه، یک تک­نرون به تنهایی قابلیت “آموزش”  را دارد و می­توان مفاهیم آموزش را با آن به­صورت ساده­تری بیان نمود.

[1] McCulloch
[2] Pitts
[3] Rosenblatt
[4] Minsky
[5] Papert
[6] Hopfield
[7] Multilayer Perceptron

 

نقش شبکه عصبی مصنوعی در عیب­یابی

شبکه عصبی مصنوعی به­طور متمرکز در طول دو دهه­ی گذشته مطالعه شده­اند، و به­طور موفق در مدلسازی سیستم دینامیک و نیز تشخیص و جداسازی عیب بکار رفته­اند. شبکه­های عصبی یک پیشنهاد باارزش و جالب نسبت به روش­های کلاسیک است، زیرا می­توانند با موقعیت­های بسیار پیچیده که به­طور کافی برای اجرای الگوریتم­های قطعی تعریف نمی­شوند، سروکار داشته باشند. در شرایط بخصوص که هیچ مدل ریاضی­ای از فرآیند در نظر گرفته شده وجود ندارد، مفید می­باشند به­طوری­که روش­های کلاسیک از جمله رویتگرها یا روش­های تخمین پارامتر نمی­توانند اعمال شوند.

شبکه عصبی مصنوعی یک ابزار ریاضی بسیار عالی برای برخورد با مشکلات غیرخطی فراهم می­کند. خاصیت مهمی که دارند اینست که می­توان هر تابع غیرخطی را با دقت دلخواه با استفاده از یک شبکه عصبی با معماری و پارامترهای وزن مناسب تقریب زد. شبکه­های عصبی ابزار پردازش موازی داده­ها است که توانایی یادگیری توابع وابسته به داده­ها را دارند. این ویژگی در هنگام حل مسائل مختلف شتاسایی الگو بسیار مفید است. یکی دیگر از ویژگی­های جذاب، توانایی خودیادگیری است.

شبکه عصبی مصنوعی می­تواند ویژگی­های سیستم را از تاریخ آموزش داده با استفاده از الگوریتم یادگیری با نیاز به دانش کم پیشینی یا هیچ در مورد فرآیند، استخراج کند. این ویژگی مدلسازی سیستم­های غیرخطی با انعطاف­پذیری بالا را فراهم می­کند. این ویژگی اجازه می­دهد تا سیستم­های کنترل تطبیقی دارای پیچیدگی، ناشناختگی و فرآیندهای دینامیک غیرخطی را طراحی ­کنیم. شبکه عصبی مصنوعی در رابطه با داده­های سالم و از دست رفته قوی هستند. شبکه­های عصبی همچنین سرعت محاسباتی بالا و قابلیت تطابق دارند.

در حالت عمومی، شبکه عصبی مصنوعی می­توانند برای تشخیص عیب به­منظور حل مشکلات مدلسازی و طبقه­بندی بکار روند. ساختارهای بسیاری از شبکه عصبی مصنوعی با مشخصه­های دینامیکی توسعه داده شده و معرفی شده­اند. این ساختارها با یک کارایی خوب در مدلسازی فرآیندهای غیرخطی مشخص می­شوند.

 

فهرست مراجع

  • [1] J. M. Lee, C. Yoo, S. W. Choi. P. A. Vanrolleghem and I. –B. Lee, “Nonlinear process monitoring using      kernel principal component analysis,” Chem. Eng. Sci, vol. 59, pp. 223-234, 2004.
  • [2] G. Torella, G. Lombardo, Utilization of neural-networks for gas-turbine engines, XII ISABE 95-703, 1995.
  • [3] Kanelopoulos, A. Stamatis, K. Mathioudakis, Incorporating neural-networks into gas-turbine      performance diagnostics, in: ASME 97-GT-35, International Gas-turbine & Aero-engine Congress &  Exhibition, Orlando, Florida, 1997
  • [4] S. Ogaji, Advanced Gas-Path Fault Diagnostics for Stationary Gas-Turbines, Ph.D. Thesis, School of Engineering, Cranfield University, 2003.
  • [5] A. Volponi, H. DePold, R. Ganguli, C. Daguang, The use of Kalman-filter and neural-network  methodologies in gas-turbine performance diagnostics: a comparative study, ASME 2000-GT-547, 2000.
  • [6] M. Zedda, R. Singh, Fault diagnosis of a turbofan engine using neural- networks: a quantitative approach,
  •         in: 34th AIAA, ASME, SAE, ASEE Joint Propulsion Conference & Exhibit, AIAA 98-3602, Cleveland,
  •         OH, 1998.
  • [7] M. Ayoubi, Fault diagnosis with dynamic neural structure and application to a turbocharger, in:   Proceedings of the International Symposium on Fault Detection, Supervision and Safety for technical    Process SAFEPROCESS’94, vol. 2, Espoo, Finland, pp. 618–623, 1994.
  • [8] A. Yazdizadeh, K. Khorasani, Adaptive time delay neural network structures for nonlinear system identification, Neurocomputing 47,  207–240, 2002.
  • [9] Iz Al-Dein, Al-Zyoud, K. Khorasani, Detection of actuator faults using a dynamic neural network for the attitude control subsystem of a satellite, in: Proceedings of International Joint Conference on Neural         Networks, Montreal, Canada, July 31–August 4, 2005.
  • [10] A.Valdes,K.Khorasani,L.MaDynamicneuralnetwork-basedfaultdetection and isolation for thrusters in   formation flying of satellites, in: Advancesin Neural Networks—ISNN 2009: 6th International  Symposiumon Neural Networks, pp.780–793, 2009.

 

شبکه عصبی مصنوعی

https://scholarcommons.sc.edu/elct_etd/

مشخصات اصلی
رشته برق
گرایش الکترونیک
تعداد صفحات 28 صفحه
منبع فارسی دارد
منبع لاتین دارد
حجم 300 kb
فرمت فایل ورد (Word)
موارد استفاده پایان نامه (جهت داشتن منبع معتبر داخلی و خارجی ) ، پروپوزال ، مقاله ، تحقیق

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “شبکه عصبی مصنوعی – معرفی و مبانی نظری”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

لطفا برای ارسال یا مشاهده تیکت به حساب خود وارد شوید