شبکه های ANN
مقدمه: (ANN) شبکه هایی هستند که به صورت یک تکنولوژی درآمده اند و هنوز هم به طور مداوم در روش های دینامیک در مورد اقدام به تولید یک روش معمولی برای طراحی یک کنترل کننده اصلی در این تکنولوژی به کار می رود. بر اساس این واقعیت ما در حال اقدام کردن به استفاده از این روش برای تولید این متد معمول از کاربردهای نور و کنترل و همچنین نشان دادن چندین طرح کنترلی با استفاده از لایه های محسوس داخلی و همچنین کنترل کننده (CMAC) می باشیم.
کاربردهای ANN در کنترل توسط عملکرد در یک اختلاف زمان متفاوت، کاربرد سوء آن سازگاری با تغییرات در دینامیک های طرح به خوبی تاثیرات محیط اطلاعات مخصوص یادگیری در یک موضوع و مکان ثابت و استوار محدودیت های کمی را در روش طرح به وجود آورده است. امیدواریم که افزایش سازگاری در نتیجه توسعه سیستم اجرائی، افزایش کیفیت تحلیل و کاهش قیمت طرح به وجود بیاید.
شبکه ها با آلگوریتم Levenberg-Marquardt برای درست کردن هر دو سیستم تعریف شده و کنترل کننده تعیین شده ای راکه نتیجه یادگیری درست آن به عنوان عامل مقایسه ای بعد از تکثیر آن یا بعد از تکثیر با تکانه حرکت و درجه سازگاری می باشد به کار برده شده است. در تکنیک CMAC یک عامل کششی در تعیین آن در مورد نرم افزار برای تعیین زمان و زمان واقعی عملکرد آن وجود دارد. مدل گیری و ساخت CMAC و کاربرد آن در طرح نشان داده می شود.
مدل طرح: سیستم آونگ معکوس یک نوعی از سیستم غیرخطی (طولی) دینامیک می باشد، این چنین سیستم هایی در شکل 3 نشان داده شده اند. برای این آزمایشات اولیه، آونگ معکوس ساده (شکل a3) به عنوان طرح مورد استفاده قرار میگیرد و ما آن را به سمت کنترل آونگ دوبل معکوس در مرحله بعدی حرکت می دهیم. یک جایگاهی برای ایجاد یک مدل طرح به وجود می آید. سپس یک کنترل کننده طراحی می شود و این کار با استفاده از تکنیک طراحی جایگذاری میله به اجرا درمی آید. طرح در مراحل تعیین یک سیستم با موقعیت میله فرموله می شود. کنترل کننده یک سیگنال کنترلی را ایجاد می کند که قصد داریم در مورد آونگ معکوس آن را به کار ببریم و از آن به منظور کنترل باز و در موقعیت قائم استفاده کنیم.
نور و کنترل کننده ای بر سااس یک مدل غیرطولی با استفاده از ساختار MLP و CMAC
ساختار توضیح داده شده در بالا یکی از کاربردهای استفاده بوده است. در شکل 5 ما نمایش گرافیکی نور و کنترل کننده معکوس مستقیم را نشان می دهیم.
جفت های داخلی و خروجی که ایجاد شده بودند تا برای استفاده مدل غیرخطی استفاده شوند حالا به منظور ساخت شبکه کاربرد دارند. ما 4 متغیر داخلی داریم که عبارتند از: زاویه، ریشه گیری زاویه، موقعیت ماشین و ریشه آن.
ما از او ساختار رشته ای برای ساخت کنترل کننده های نورونی استفاده کرده ایم: یکی بر اساس شبکه MLP با آلگوریتم Levenberg-Marquart و یکی بر پایه CMAV (1). شبکه MLP سه لایه دارد با 4 بخش در لایه داخلی اش، 3 بخش در لایه مخفی و یک بخش در سطح خارجی. تمام فعالیت و عملکردها به صورت خطی می باشند. تمام ساختار شبکه با استفاده از شبکه های رشته ای از MATLAB به دست آمده است.
کنترل کننده نوری CMAC
شبکه CMAV 4 فضای داخلی و یک فضای خارجی دارد. ما با یک پارامتر 4 بخشی و یک بردار (1024، 1024 و 20 و 20) کار کرده ایم. این درجه از یادگیری ما برای ساخت 25/0 استفاده شد. شبکه نیاز به 32 دوره برای رسیدن به همگرایی دارد. سیستم نیاز به تنها 107 موقعیت حافظه دارد زیرا عملکرد یک حافظه در زمان استفاده از تصادم و به هم خوردن حافظه جلوگیری می کند.