توضیحات
شناسایی سیستم غیرخطی بازگشتی با استفاده از متغیرهای پنهان
عنوان اصلی مقاله
Recursive nonlinear-system identification using latent variables
شبیه سازی در محیط ام فایل متلب انجام شده است
دارای گزارش ورد 6 صفحه ای می باشد.
ترجمه چکیده مقاله:
در این مقاله روشی برای یادگیری مدل‌های سیستم غیرخطی با خروجی‌ها و ورودی‌های متعدد ایجاد می‌کنیم. ما با مدل سازی خطاهای یک پیش بینی کننده نامی سیستم با استفاده از یک چارچوب متغیر پنهان شروع می کنیم. سپس با استفاده از اصل حداکثر درستنمایی، معیاری برای یادگیری مدل بدست می آوریم.
مسئله بهینه‌سازی حاصل با استفاده از رویکرد عمده‌سازی – حداقل‌سازی حل می‌شود. در نهایت، ما یک تکنیک عمده‌سازی محدب را توسعه می‌دهیم و نشان می‌دهیم که یک روش شناسایی بازگشتی را فعال می‌کند. این روش مدل های پیش بین را می آموزد و بر روی هر دو سیستم غیرخطی مصنوعی و واقعی آزمایش می شود.
توضیحات پروژه شناسایی سیستم غیرخطی بازگشتی
در زیر توضیجاتی در مورد فایلهای پروژه متلب, و نتایج به دست آمده از شبیه سازی با متلب را نمایش می دهیم:
فایل update_phi
فایل shift_update
این فایل صرفا کاربرد برنامه نویسی دارد. دو ورودی وارد می شوند. اگر ورودی اول تهی بود، ورودی دوم خروجی تابع است. در غیر این صورت همان ورودی اول خروجی می شود.
فایل های reset_id و reset_var
تخصیص مقادیر اولیه (عمدتا صفر) به پارامترها جهت شروع محاسبات.
فایل LavaBase
در این فایل هم تعدادی متغیر مقداردهی اولیه شده اند این فایل شروع کننده حلقه محاسبات است.
فایل get_basis1 محاسبه فرمول …(یک سری فوریه می باشد)
فایل get_basis2 همان فرمول بالا را به روشی دیگر محاسبه می کند. این تابع در مقاله نیامده است. این در واقع تعریف تابع گاما با استفاده از تبدیل لاپلاس است.
فایل forecast_step
تابع forecast
توضیح این ام فایل را در گزارش پروژه ببینید.
فایل update_gamma
محاسبه گاما از یکی از دو تابع get_basis1 و get_basis2
سه فایل main1 تا main3
هر کدام معادل یکی از خروجی های مقاله است (شکل های 2 تا 4)
قسمت های اصلی این فایل ها:
- مقداردهی های اولیه
- آموزش سیستم
- تخمین پارامترها
- تولید ورودی و خروجی
نتایج شبیه سازی با متلب
دقت نمایید که در شکل های 3 و 4 به ورودی های متناسب با خروجی ها دسترسی نداریم. بنابراین داده های واقعی تطابق صد در صدی با مقاله ندارند ولی خواسته مقاله در تمام شبیه سازی ها به خوبی اجرا شده است. ملاحظه می شود که در شکل اول، رفتار نمودار آبی رنگ در شکل 2 مقاله به خوبی رعایت شده است. هم چنین در دو شکل بعدی هم تخمین به خوبی صورت گرفته است. (تخمین بعد خط سیاه رنگ عمودی می باشد و داده های قبل از آن برای آموزش هستند). دقت کنید به دلیل تصادفی بودن ورودی سیستم، در اجراهای مختلف ممکن است نتایج قدری متفاوت باشند ولی کلیت تمام آن ها یکی است.
هم چنین دو خط آبی و سیاه در شکل 2 مربوط به روشهای خارج از مقاله است و بنابراین قابل رسم نیستند:
شکل 2 مقاله
Fig. 2. The RMSE for Example (5.3) computed for input amplitudes, using
Lava-R (solid).
شکل 3 مقاله
Fig. 3. The output in Example 5.4 (blue), plotted together with the output of the model identified by Lava-R (red)
شکل 4 مقاله
Fig. 4. The output in Example 5.5 (blue), plotted together with the output of the
model identified by Lava-R (red).
شاید به موارد زیر نیز علاقه مند باشید:
- بررسی عملکرد الگوریتمهای بازگشتی برای فیلتر گوسی سریع متغیر با مکان
- سفارش شبیه سازی مقالات کنترل غیرخطی با متلب
- یک رویکرد جدید برای مدلسازی و بهینه‌سازی شبکه عصبی موجک فازی
- حداقل مربعات در متلب
کلیدواژه:
Nonlinear systems, Multi-input/multi-output systems, System identification
سیستم‌های غیرخطی, سیستم‌های چند ورودی/چند خروجی, شناسایی سیستم
شناسایی سیستم غیرخطی بازگشتی با استفاده از متغیرهای پنهان با متلب
طبق توضیحات فوق توسط کارشناسان سایت متلبی تهیه شده است و 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.