شناسایی سیستم های غیرخطی بر مبنای الگوریتم های تکاملی و فازی
دانلود متن کاملرایگان، با حساب کاربری؛ ثبت نام با گوگل چند ثانیه است
چکیده
چکیده‌ای برای این سند ثبت نشده است.
پایان‌نامه‌های مشابه
طراحی شبکه های موجک فازی چندمتغیره و ارائه الگوریتم آموزشی ترکیبی بهبود یافته در شناسایی سیستم های غیرخطی
در سال های اخیر ادغام محاسبات هوشمند و تئوری موجک، منجر به ارائه راهبردهای جدید و موثری گردیده است. شبکه های موجک فازی که از ترکیب مدل فازی، شبکه های عصبی و تئوری موجک حاصل می شوند، به عنوان یکی از نیرومندترین ابزارها در بسیاری از زمینه های پژوهشی به کار گرفته شده اند. توانایی شب
شناسایی سیستم های نیروگاه های سیکل ترکیبی با استفاده از الگوریتم های تکاملی و فازی
به علت پیچیدگی که در سیستم های مختلف موجود می باشد وجهت تحلیل و درک بهتر این سیستم ها نیازمند آن می باشیم تا مدلی از آنها داشته باشیم. علاوه بر روش های معمول مورداستفاده جهت شناسایی سیستم ها در سال های اخیر روش های هوشمند و بویژه مدل های فازی جهت شناسایی سیستم ها مورد استفاده قرا
شناسایی سیستم های دینامیکی غیرخطی توسط شبکه های عصبی-فازی
شبکه های عصبی-فازی، یک نوع از سیستم های هوشمند ترکیبی هستند که بر اساس محاسبات عصبی-فازی بنا شده اند. این ساختارها از ترکیب سیستم های فازی و شبکه های عصبی حاصل می شوند. شبکه های عصبی با وجود آنکه دارای مزایای دقت نگاشت ورودی-خروجی و قدرت تطبیق پذیری هستند، اما به دلیل عدم قدرت تف
شناسایی سیستم های غیرخطی با استفاده از شبکه های عصبی دینامیکی با الگوریتم یادگیری پایدار و کاربرد آن بر روی سیستم های v2g
تجزیه و تحلیل عملکرد هر سیستم فیزیکی، نیاز به شناخت صحیح رفتارهای آن سیستم دارد و این نیاز باعث به وجود آمدن علم شناسایی برای آنالیز و مدل کردن سیستم شده است. چون اکثر سیستم های فیزیکی غیرخطی هستند، شناسایی سیستم های غیرخطی بسیار مورد توجه بوده و از روش های گوناگونی مانند روش های
ساختار یادگیری شبکه عصبی فازی با استفاده از الگوریتم تکاملی خودتطبیقی
چکیده: امروزه محاسبات تکاملی به دلیل توانایی جستجوی سراسری اش یکی از زمینه های محبوب تحقیقاتی می باشد. در این پژوهش به دنبال ایجاد یک الگوریتم تکاملی کارامد و نیرومند هستیم تا نه تنها روند تکامل را کاهش دهد بلکه احتمال رسیدن به حل کلی را افزایش دهد. در واقع، می خواهیم یک الگوریتم
طراحی سیستم های دسته بندی کننده فازی با استفاده از الگوریتم های تکاملی
امروزه منابع اطلاعاتی با حجم زیادی از داده ها روبرو می باشند و استخراج اطلاعات از این حجم داده ها کار زمان گیری است، که دست یابی و استفاده از این اطلاعات نیاز به ابزارها و تکنیک های نرم افزاری دارد. داده کاوی یکی از روش های مهمی است که برای استنتاج اطلاعات مورد نیاز از حجم زیادی
اسناد مشابه
ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته
با پیشرفت روز افزون تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روشهایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن میباشیم. امروزه خوشهبندی داده به عنوان یکی از روشهای آنالیز و ساده سازی مجموعه دادههای بزرگ، مورد توج
شناسایی سیستم غیرخطی چند متغیره مولد بخار نیروگاه با به کار بردن شبکه های عصبی تأخیر زمانی ویولت
یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته میشود. یک گام مهم در شناسایی غیرخطی سیست
آشکارسازی لبه در تصاویر sar بر مبنای الگوریتم فرکتال- فازی
آشکارسازی لبه ها از نکته های مهم مورد استفاده در سنجش از دور است. بسیاری از الگوریتم های کلاسیک آشکارسازی لبه که عملکرد مناسبی را بر روی تصاویر اپتیکی ارائه کرده اند، فاقد توان تشخیص لبه در تصاویر رادار با وزنه ی ترکیبی (sar) اند. در این مقاله الگوریتمی بر مبنای آنالیز فرکتالی و
ارائه ی یک روش خوشه بندی سری های زمانی بر مبنای الگوریتم تکاملی دیفرانسیلی و تبدیل کسینوسی گسسته
با پیشرفت روز افزون تکنولوژیهای جمع آوری اطلاعات و امکان دسترسی به حجم عظیمی از داده همواره نیازمند روشهایی برای تجزیه و تحلیل این حجم داده خام و استخراج اطلاعات مفید از آن میباشیم. امروزه خوشهبندی داده به عنوان یکی از روشهای آنالیز و ساده سازی مجموعه دادههای بزرگ، مورد توج
شناسایی سیستم غیرخطی چند متغیره مولد بخار نیروگاه با به کار بردن شبکه‌های عصبی تأخیر زمانی ویولت
یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته میشود. یک گام مهم در شناسایی غیرخطی سیست
شناسایی سیستم غیرخطی چند متغیره مولد بخار نیروگاه با به کار بردن شبکه‌های عصبی تأخیر زمانی ویولت
یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته میشود. یک گام مهم در شناسایی غیرخطی سیست