سیستم موقعیت یابی GPS امروزه کاربردهای متنوعی دارد و داشتن دقت بالا در این امر از موارد ضروری آن می باشد. بعد از حذف اثر SA توسط ایالات متحده آمریکا، دقت گیرنده های تجاری تا حدود بسیار زیادی افزایش یافته است اما در اغلب کاربردها کافی نیست. در این مقاله روشی جدید جهت افزایش دقتموقعیت یابی ارائه شده است که این روش مبتنی بر شبکه های عصبی و مفهوم DGPS می باشد که آن را موقعیت‌یابی تفاضلی مجازی نامیده‌ایم.
مقاله کامل Full Text
تعداد صفحات : 9
فرمت :PDF
چکیده
برای مدل کردن پدیده های فیزیکی از روش های معمول حل معادلات )موازنه جرم و انرژی( استفاده می شود اما به دلیل وقت گیر بودن حل این معادلات روش های سریع تری چون شبکه عصبی مصنوعی هم موجود است. شبکه های عصبی مصنوعی از عناصر عملیاتی ساده ای به صورت موازی ساخته می شوند . این عناصر از سیستمهای عصبی زیستی الهام گرفته شده اند . شبکه های عصبی از دو ویژگی اساسی یادگیری براساس ارائه داده های تجربی و ساختار پذیری موازی برخوردار می باشند. این شبکه ها برای مسائل کنترل، علی الخصوص سیستم های پیچیده که مدل سازی این سیستم ها میسر نیست یا به سختی انجام می شود مناسب می باشد. علیرغم مزایای زیادروشهای مدلسازی ریاضی، محدودیتهایی از قبیل انتخاب پارامترها، اعمال پیش فرضها برای حل معادلات دیفرانسیل و پیچیدگی حل معادلات سبب میشود استفاده از روشهای ناپارامتری مانند شبکههای عصبی مصنوعی در حل مسائل توسعه پیدا کند، زیرا روش حل در شبکههای عصبی مصنوعی مبتنی بر ضرب ضرایب وزنی در قالب پردازش موازی است . از این رو
سرعت دستیابی به جواب دراین روش نسبت به روشهای مدلسازی ریاضی بیشتر است بنابراین برای اعمال سیستم کنترل، مناسبتر است. از سوی دیگر به علت توزیع اطلاعات در شبکههای عصبی مصنوعی، خطای ایجاد شده دراطلاعات ورودی تأثیر نامطلوب بر پردازش دادهها نخواهد داشت . همچنین با توجه به درنظر گرفتن پارامترهای کیفی و عدم امکان محاسبةآن باروشهای مدلسازی ریاضی، روش شبکههای عصبی مصنوعی برای پیشبینی همزمان پارامترهای خروجی مناسب است. شبکههای عصبی مصنوعی به دلیل وفقی بودن، قابلیت اعتماد بیشتری نسبت به مدلهای آماری دارند و قابلیت تعمیم و تقریب آنها بیشتر است .
کلید واژه: شبکه عصبی , صنایع غذایی , مدل سازی
با وجود کنترل کلاسیک وکنترل مدرن چه لزومی به استفاده از شبکه عصبی یا روش های محاسبات نرم در کنترل وجود دارد؟ در واقع همیشه این امکان وجود ندارد که رابطه بین ورودی و خروجی با ریاضی کلاسیک بیان شود و همچنین همیشه این وجود ندارد که یک مدل خطی بدست آورد. مدل های غیر خطی به خوبی مدل های سیستم های غیر خطی درک نشده اند.روش هایی برای بعضی از سیستم های غیر خطی ساده تر وجود دارد. شبکه های عصبی روش مفیدی برای کنترل سیستم های غیر خطی پیچیده ارائه می دهد ،زیرا نیازی به مدل سیستم ندارد.
فهرست :
مقدمه
در چه حالت های در کنترل یک سیستم باید به سمت روش های محاسبات نرم برویم؟
مراحل پیشرفت روش های کنترل سیستم ها
کدامیک از کاربرد های شبکه عصبی در کنترل سیستم ها استفاده می شود؟
مهمترین نوع شبکه عصبی که در کنترل استفاده می شود چیست؟
کاربرد شبکه عصبی پرسپترون چند لایه در کنترل MLP
مهترین معماری های شبکه عصبی برای کنترل سیستم ها
نمونه کلی از کاربرد شبکه های عصبی در MPC
شباهت سیستم های عصبی با مدل های غیر خطی
طرح اولیه مدل پیش بین گام اول براساس شبکه عصبی BP
تفاوت کنترل با NARMA–L2 با کنترل PID برای کنترل پایداری در موتور DC تحریک جداگانه
مثالی از کنترل کاربرد نروکنترلر مدل مرجع در Simulink
تنظیم پارامترهای کنترلر PID با استفاده از شبکه عصبی
فرمت فایل : word (قابل ویرایش) تعداد صفحات : 19 صفحه
شبکه های عصبی مصنوعی چیست؟
اگر بگوییم که شبکه های عصبی مصنوعی مانند مغز بشر عمل میکنند اغراغ آمیز می باشد. دانشمندان هر چه بیشتر در مورد مغز بشر تحقیق می کنند و می آموزند ، بیشتر در می یابند که مغز بشر دست نیافتنی است. در حقیقت در مورد مغز و ساختار سیستم عصبی انسان اطلاعات زیادی به دست آمده است. ولی پیاده سازی ساختاری با پیچیدگی مغز انسان بر اساس اطلاعاتی و تکنولوژی که امروز وجود دارد غیرممکن می باشد.
اما به هر حال یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می کند.
به هر یک از این عناصر پردازشی فوق العاده یک نرون(neurons) گفته میشود.
هر نرون طبیعی از سه قسمت اصلی تشکیل شده است :
(some) بدنه سلول
(dendrite) دندریت
(axon) اکسون
دندریت ها به عنوان مناطق دریافت سیگنال های الکتریکی ، شبکه های تشکیل یافته از فیبرهای سلولی هستند که دارای سطح نامنظم و شاخه های انشعابی بی شمار می باشند. دندریت ها سیگنال های الکتریکی را به هسته سلول منتقل می کنند. بدنه سلول انرژی لازم را برای فعالیت نرون فراهم کرده و بر روی سیگنال های دریافتی عمل می کنند ، که با یک عمل ساده جمع و مقایسه با یک سطح آستانه مدل می گردد.
اکسون بر خلاف دندریت ها از سطحی هموارتر و تعداد شاخه های کمتری برخوردار می باشد. اکسون طول بیشتری دارد و سیگنال های الکتروشیمیایی دریافتی از هسته سلول را به نرون های دیگر منتقل می کند. محل تلاقی یک اکسون از یک سلول به دندریت های سلول های دیگر را سیناپس می گویند. توسط سیناپس ها ارتباطات ما بین نرون ها برقرار می شود. به فضای مابین اکسون و دندریت ها فضای سیناپسی گویند. در حقیقت دندریت ها به عنوان ورودی نرون و اکسون به عنوان خروجی و فضای سیناپسی محل اتصال این دو می باشد. زمانی که سیگنال عصبی از اکسون به نرون ها و دیگر عناصر بدن مثل ماهیچه ها می رسد باعث تحریک آنها می شود. نرون ها از هر یک از اتصالات ورودی خود یه ولتاژ کم دریافت می کند(توسط سیگنال های عصبی ورودی) و آن ها را با هم جمع می زند اگر این حاصل جمع به یک مقدار آستانه رسید نرون آتش می کند و روی اکسن خود یک ولتاژ خروحی ارسال می کند که این ولتاژ به دندریت هایی که به این اکسون متصل اند رسیده و باعث یکسری فعل و انفعالات شیمیایی در اتصالات سیناپسی می شود و می تواند باعث آتش کردن نرون های دیگر شود. تمامی فعالیت های مغزی انسان توسط همین آتش کردن ها انجام می شود. حافظه کوتاه مدت انسان جرقه های لحظه ای الکتریکی می باشد و حافظه بلند مدت به صورت تغییرات الکتروشیمیایی در اتصالات سیناپسی ذخیره می شود که عموتا منجر به تغییر یون ها می شود.
محتوایی این پروژه یک فایل پاورپوینت و فیلم های کوتاه می باشد