دسته: مکانیک ورودی‌ها و خروجی‌های یك سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یك مدل دینامیكیِ هوشمند، استفاده شده است بنابراین انتخاب شبكه‌های عصبی مصنوعی1 از نوع پرسپترون‌های چندلایه2 برای این منظور مناسب است در كنار این نوع از مدل‌سازی، استفاده از یك شیوه‌ی مناسب برای كنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است مدل‌های برگشتی تصحیح شونده
قیمت فایل فقط 5,900 تومان
چكیده:
ورودی‌ها و خروجی‌های یك سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یك مدل دینامیكیِ هوشمند، استفاده شده است. بنابراین انتخاب شبكه‌های عصبی مصنوعی[1] از نوع پرسپترون‌های چندلایه[2] برای این منظور مناسب است. در كنار این نوع از مدل‌سازی، استفاده از یك شیوه‌ی مناسب برای كنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدل‌های برگشتی تصحیح شونده كه از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌كنند، در این پروژه به كار گرفته شده‌اند.
این قوانین برای آموزش سیستم، جهت كنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به كار می‌روند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست[3] می‌باشد؛ به این صورت كه معادله‌ی دیفرانسیل دینامیكیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، كه سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یك كنترل‌كننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یك رآكتور شیمیایی است كه برای اختلاط پیوسته‌ی مواد شیمیایی واكنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یك ماده‌ی محصول با یك غلظت متغیر با زمان[4] به كار می‌رود؛ كه میزان مطلوب این غلظت در یك زمان خاص، به‌عنوان هدف مطلوبی است كه سیستم باید به آن دست یابد.
همچنین به‌جای یك سیستم واقعی، از یك مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه كه در این تحقیق آمده است، اثبات می‌كند.
KEY WORDS: Artificial Intelligence, Artificial Neural Networks, Chemical Reactor, Predictive Control, Neuron, Action potential, Nonlinear Multilayer perceptrons, Bias , Nonlinear systems, Pattern Recognition, linear and Nonlinear classifiers, Backpropagation Rule, Adjusting the Connection Weights, Simulation, complete / Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه
در كنترل با پسخور[5]، كه به عنوان معمول‌ترین نوع كنترل سیستم‌های دینامیكی مورد استفاده قرار می‌گیرد، فرمان كنترل سیستم، با در نظر گرفتن میزان خطای محاسبه شده بین خروجی واقعی و مطلوب، صادر می‌شود.
كنترل پیش‌بین نیز كه با استفاده از روش‌های هوش محاسباتی انجام می‌شود، نوعی كنترل با پسخور است. در این روش كنترلی، خطای سیستم قبل از اینكه اتفاق بیفتد، پیش‌بینی شده و برای تعیین دستور كنترل خطا، پیش از آنكه خطایی اتفاق بیفتد، استفاده می‌شود.
كنترل پیش بین در ابتدا به عنوان مدل كنترلی پیش بین كلاسیك كه به یك مدل خطی، از سیستم، در فضای حالت نیاز داشت، معرفی شد.
در هر حال طبیعت غیرخطی بسیاری از سیستم‌ها، قابل صرف نظر كردن نیست؛ بنابراین مدل‌های خطیِ فضای حالت نمی‌توانند به‌درستی، خواص غیر خطی سیستم‌ها را ارائه دهند.
در چنین مواردی، تقریب كامل یا قسمتی از مدُل خطی ممكن است استفاده شود ولی در حالت كلی مدل‌های غیر خطی برای پیش بینیِ خروجی سیستم‌های غیر خطی برای اهداف كنترلی استفاده می‌شوند.
برخی از روش‌هایی كه از اساس قواعد فیزیك استفاده می‌كنند، وجود دارند كه می‌توانند مُدل برخی از سیستم‌ها را به طور كامل، و یا تا اندازه‌‌ی قابل قبولی، توصیف كنند و ساختارهای مدل را به‌وجود آورند.
شبكه‌های عصبی مصنوعی 2] و [11 و سیستم‌های منطق فازی[6] (شبكه‌های نوروفازی) 8] [نیز می‌توانند برای مدل كردن سیستم‌ها به كار روند كه به عنوان روش‌های مدل سازی هوشمند طبقه‌بندی می‌شوند. این گونه مدل‌ها باید پس از طراحی مقدماتی، توسط داده‌های ورودی و خروجی آموزش ببینند.
سیگنال داده‌های ورودی و خروجی در آموزش سیستم، به‌صورت آرایه‌ای‌از اعداد استفاده می‌شوند. آموزش سیستم به این شیوه، برای بهبود عملكرد سیستم، به شدت وابسته به خروجی مُدل می‌باشد.
در این پروژه، سیستم مورد مطالعه برای مُدل‌سازی هوشمند، یك رآكتور شیمیایی در نظر گرفته شده است كه مدل نرم‌افزاری آن، در دسترس می‌باشد [2] و داده‌های ورودی و خروجی این سیستم، با داده‌های حاصل از آزمایش یك رآكتور واقعی، جایگزین می‌شود.
رآكتور شیمیایی مورد مطالعه، یك سیستم دینامیكی غیر خطی با چند ورودی و چند خروجی[7] است.
هدف این تحقیق، آشكار ساختن توانایی یك مدل هوشمند، برای مقاصد پیش‌بینی غیر خطی كمیت‌های سیستم دینامیكی و پیشنهاد راه‌كارهای مفیدی جهت كاربرد سیستم‌های هوشمند است.
در واقع روش پیشنهادی می‌تواند در مواقعی كه مدل ریاضی دقیقی از سیستم با استفاده از روش‌های مشخص و معمول (مانند معادله‌های موازنه جرم و انرژی) در دسترس نیست، و یا اینكه ساختار ریاضی و یا پارامترهای غیر قابل اندازه‌گیری و تأثیرگذار مدل به طور قابل توجهی نامشخص باشد (مانند ایجاد خوردگی در برخی نقاط خطوط انتقال یا بدنه سیستم) مورد استفاده قرار گیرد.
یكی از ویژگی‌های برجسته‌ی این مدل هوشمند در مقایسه با روش‌های مدل سازی كلاسیك، بی‌نیازی آن در اندازه‌گیری پارامترهای سیستم (مانند پارامترهای مربوط به انتقال جرم و حرارت) است.[8]
مرور اجمالی فصل‌های این پایان‌نامه به قرار زیر است:
فصل اول، مقدمه‌ای شامل شرح عنوان پایان‌نامه، روش تحقیق، و تشریح كامل صورت مسأله می‌باشد كه از نظر گذشت. در فصل دوم مقایسه‌ای بین شبكه‌های عصبی طبیعی و مصنوعی و نحوه‌ی پردازش داده‌ها در آنها صورت گرفته است. همچنین شیوه‌های یادگیری در انسان و ماشین نیز بررسی شده‌اند.
فصل سوم به معرفی مختصر فنون طرح شناسی می‌پردازد كه بخش مهمی از علوم كامپیوتری است. بیشتر مطالب ریاضی در مبحث طرح شناسی همانند مطالب ریاضی بحث شده در مورد شبكه‌های عصبی است. طرح شناسی به‌عنوان یك موضوع پایه، به شناخت ما از نحوه‌ی عملكرد شبكه‌های عصبی كمك می‌كند.
فصل چهارم به معرفی نرون پایه بیولوژیكی و مقایسه‌ی ویژگی‌های آن با پرسپترون كه نرون مدل سازی شده برای استفاده در شبكه‌های عصبی مصنوعی است، می‌پردازد؛ و در ادامه به الگوریتم فراگیری پرسپترون و محدودیت‌های آموزش سیستم، توسط تك‌پرسپترون می‌پردازد.
در فصل پنجم به بررسی ساختار مدل پرسپترون چند لایه پرداخته شده و توانایی آن در حل مسائل تفكیك پذیر غیر خطی تشریح شده است. در انتهای این فصل نیز به مواردی از كابرد شبكه‌های عصبی مصنوعی از نوع پرسپترون‌های چند لایه در شبكه‌های گویا، زمینه‌های پزشكی و سیستم‌های پیش‌بین مالی و اقتصادی، اشاره شده است.
در فصل ششم نیز به اصول زمینه‌ای، كاربرد تئوری‌های مطرح شده در فصول قبل و روابط مورد نیاز برای مدل‌سازی یك رآكتور شیمیایی به عنوان یك سیستم غیر خطی پرداخته شده است. در انتها نیز نتایج حاصل از این مدل‌سازی آورده شده است.
در نهایت فصل هفتم نیز شامل نتیجه‌گیری و پیشنهاداتی در جهت تداوم تحقیق و انجام مدل‌سازی‌های جدیدی از این دست است.
فصل دوم:
مقدمه‌ای بر مقایسه‌ی شبكه‌های عصبی بیولوژیكی و مصنوعی و شیوه‌های یادگیری در آنها
موجوداتی منطقی هستند و تنها اعمال منطقی را به خوبی انجام می‌دهند. چون كامپیوترها می‌توانند بعضی كارها را كه ما آنها را در مدت زمان قابل ملاحظه‌ای انجام می‌دهیم (چون جمع كردن اعداد)، در كم‌ترین زمان انجام دهند و یا می توانند نام‌ها و آدرس‌ها را ماه‌ها بعد به درستی به یاد بیاورند، از آنها انتظار می‌رود كه در سایر زمینه‌ها نیز چنین عمل كنند. بدین علت آن‌گاه كه نمی‌توانند انتظارات ما را برآورده كنند مأیوس می‌شویم. هدف هوش مصنوعی را می‌توان در این جمله خلاصه كرد كه می‌خواهد در نهایت به كامپیوترها و ماشین‌هایی بسیار توانمندتر از انسان (هدفی كه بسیار از دنیای واقعی به‌دور است) دست یابند.
چرا كامپیوترها نمی‌توانند كارهایی را كه ما انجام می‌دهیم انجام دهند؟ یكی از دلایل را می‌توان در نحوه‌ی ساختار آنها جستجو كرد. به‌طور منطقی می‌توان انتظار داشت كه سیستم‌هایی با ساخت مشابه عملكرد مشابهی داشته باشند. كامپیوترها طوری طراحی شده‌اند كه یك عمل را بعد از عمل دیگر با سرعت بسیار زیاد انجام دهند. لیكن مغز ما با تعداد اجزای بیشتر اما با سرعتی كم‌تر كار می‌كند. در حالی‌كه سرعت عملیات در كامپیوترها به میلیون‌ها محاسبه در ثانیه بالغ می‌شود، سرعت عملیات در مغز تقریباً بیشتر از ده بار در ثانیه نمی‌باشد. لیكن مغز در یك لحظه با تعداد زیادی اجزاء به طور هم‌زمان كار می‌كند، كاری كه از عهده كامپیوتر بر نمی‌آید. كامپیوتر ماشینی سریع اما پیاپی كار است در حالی كه مغز شدیداً ساختاری موازی دارد. كامپیوترها می‌توانند عملیاتی را كه با ساختار آنها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع كردن اعمالی پیاپی است كه یكی بعد از دیگری انجام می‌شود.
جهت دریافت فایل کامل لطفا آن را خریداری نمایید
قیمت فایل فقط 5,900 تومان
برچسب ها : مدل سازی رآكتور شیمیایی با شبكه‌های عصبی مصنوعی , Modeling of Chemical Reactor with Artificial Neural Networks , روژه , پژوهش , شهرسازی , معماری , مقاله , جزوه , تحقیق , دانلود پروژه , دانلود پژوهش , دانلود مقاله , دانلود جزوه , دانلود تحقیق , هوش مصنوعی , شبكه های عصبی مصنوعی , رآكتور شیمیایی , كنترل پیش‌بین , نرون , پتانسیل فعالیت , پرسپترون چندلایه غیر خطی , تورش