توضیحات
A novel approach to fuzzy wavelet neural network modeling and optimization
مدلسازی و بهینه سازی به روش ترکیبی فازی – عصبی
در این پروژه شبکه فازی با ساختار TSK شبیه سازی شده است.
این شبکه در واقع ترکیبی از شبکه فازی و عصبی با توابع عضویت TSK و شبکه عصبی بر پایه تبدیل موجک است.
برای یافتن پارامترهای مختلف که شامل پارامترهای توابع عضویت و توابع موجک در ترکیب دو شبکه می شوند، از دو الگوریتم یادگیری استفاده شده است.
الگوریتم اول روش بهینه سازی اجزائ دسته جمعی یا PSO و الگوریتم دوم روش معروف کاهش گرادیان است.
استفاده توام از این دو روش باعث می شود که همگرایی سیستم برای دستیابی به جواب بهینه به شدت بالا رود.
روش PSO استفاده شده با روش معمول کمی تفاوت دارد. بدین ترتیب که در این روش از دولایه بهینه سازی دسته جمعی درون یکدیگر استفاده شده که همگرایی بالاتری نسبت به روش معمولی PSO دارد.
هدف بخش شبیه سازی آموزش سیستم برای بدست آوردن تابع تبدیل یک سیستم غیرخطی است.
به عبارت دیگر با داشتن رابطه ورودی و خروجی یک سیستم غیرخطی تلاش می کنیم که برای سیگنال ورودی مشخص ابتدا سیستم تحت آموزش قرار گیرد و سپس در بخش تست برای سیگنال ورودی دیگری خروجی سیستم مورد نظر با خروجی واقعی بدست آمده از رابطه خود سیستم مقایسه شود.
یادگیری:
در این بخش برای ورودی سیستم ترکیبی از سیگنال تصادفی و سینوسی در نظر گرفته می شود.
به عبارت دیگر سیگنال با طول 1000 که 500 نمونه اول، به طور تصادفی بین 2- و 2 تولید می شود و 500 نمونه بعدی از رابطه زیر بدست می آید:
سیستم مورد استفاده برای آموزش توسط رابطه زیر مشخص می شود:
شکل زیر سیستم اصلی را در کنار سیستم فازی-عصبی شناسایی نشان می دهد:
شکل 1: سیستم اصلی و سیستم شناسایی کننده
در اینجا سیستم FWNN باید تحت آموزش قرار گیرد.
همچنین ورودیهای این سیستم در هر زمان، ورودی سیستم اصلی و خروجی آن در همان لحظه می باشند. شکل کلی سیستم FWNN نیز به صورت زیر است:
شکل 2: سیستم فازی-عصبی FWNN
برای شناسایی سیستم از یک شبکه عصبی با دو تابع عضویت برای هر گره شبکه عصبی که خود شامل دو گره در هر لایه از دو لایه خود می باشد، استفاده شده است.
بدین ترتیب سیستم بالا شامل 30 پارامتر می شود که باید به روش ترکیبی PSO و GD بدست آیند.
در بخش یادگیری روش PSO از ضریب متغیر با رابطه زیر استفاده شده است:
در اینجا 50 تعداد تکرارهای روش PSO است.
این مقدار نباید خیلی زیاد باشد، چراکه این روش نسبتا زمان بر است و در این پروژه تنها برای ارائه مقدار اولیه مناسب به روش GD از آن استفاده شده است.
به همین دلیل هم تعداد ذرات پاسخ گروهی (particles) و هم تعداد تکرار کوچک در نظر گرفته شده اند.
در رابطه بازگشتی روش PSO، مقادیر c1 و c2 برابر با 2 می باشند و مقادیر r1 و r2 نیز یک عدد تصادفی بین 0 و 3/0 می باشند.
لازم به ذکر است که مقادیر r1 و r2 در همگرایی پاسخ سیستم نقش بسیار مهمی دارند چراکه در صورت انتخاب اعداد بزرگتر احتمال واگرایی سیستم PSO بسیار بالاست که منجر به عدم شناسایی صحیح سیستم می شود.
در روش GD نیز برای ضریب آموزش عدد 7/0 در نظر گرفته شده است.
ذکر این نکته ضروری است که برای تابع موجک گوسین از تابع gauswaf با مرتبه 2 استفاده شده است که در روابط مربوط به روش GD نیاز به محاسبه مشتق این تابع می باشد که به سادگی با قرار دادن مرتبه 3 به جای 2 این تابع بدست می آید.
در بخش آموزش به روش PSO، مقدار دهی اولیه پارامترها به صورت تصادفی و بین 1 و 2 می باشد.
بعد از انجام این روش، بردار پارامتر حاصل به عنوان مقدار اولیه به روش GD داده می شود.
روش GD برای 200 مرتبه و در هر مرتبه برای کل نقاط سیگنال ورودی و خروجی انجام می شود.
در نهایت بردار پارامتر بدست آمده به عنوان ابزار شناسایی برای سیستم فازی – عصبی مورد نظر استفاده می شود.
تست سیستم:
برای تست دو سیستم در نظر گرفته می شود که سیستم اول توسط همان رابطه قبلی تعریف می شود ولی این بار ورودی سیستم به صورت زیر است:
برای سیستم اول، نتیجه شبیه سازی به صورت زیر است:
شکل 3 – خروجی سیستم اصلی (نمودار آبی) و خروجی سیستم شناسایی (نمودار قرمز) برای سیستم اول
همانطور که مشاهده می شود، خروجی سیستم شناسایی تقریب خوبی از خروجی اصلی است.
نتیجه شبیه سازی برای سیستم دوم نیز در شکل زیر ارائه شده است:
شکل 4- خروجی سیستم اصلی (نمودار آبی) و خروجی سیستم شناسایی (نمودار قرمز) برای سیستم دوم
در هر دو سیستم، خروجی شبکه فازی-عصبی تقریب زننده سیستم اصلی خوب عمل می کند و با وجود تغییرات شدید در ورودی و خروجی سیستم، آن را دنبال می کند.
سیستم دوم توسط رابطه زیر تعریف می شود.
ورودی سیستم همانند سیستم قبلی است.
- انجام پروژه شبکه عصبی با متلبی
کلید واژه : فازی,پروژه متلب,شبیه سازی با متلب,matlab project,پروژه های matlab,
Fuzzy logic, Wavelet neural network, Particle swarm optimization, Gradient descent algorithm, System identification
شبیه سازی
A novel approach to fuzzy wavelet neural network modeling and optimization
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.