تشخیص خطا به روش ماشین بردار پشتیبان
چکیده
با افزایش پیچیدگی و پیشرفت سیستم های کنترلی و استفاده از آن ها در محیط ها و کاربردهای حساس، تمایل روزافزونی در زمینه تشخیص خطا ایجاد شده است. در گذشته شبکه های عصبی به عنوان ابزاری برای تشخیص مدل یا خرابی در یک سیستم به کار گرفته شده اند. اما مشکل الگوریتم بهینه سازی آن ها برای انتخاب پارامتر و کم کردن خطا در هر مرحله به جای کم کردن خطای کل مدل باعث شده است تا ماشین بردار پشتیبان جایگزین مناسبی برای آن ها شوند. ماشین بردار پشتیبان بر پایه تئوری یادگیری آماری وپنیک از جمله الگوریتم های یادگیری موفق در زمینه تشخیص و ایزوله نمودن خطا در سیستم های دینامیکی می¬باشد. یکی از مدل های مورد استفاده توسط ماشین بردار پشتیبان، سیستم های تائید امضا می باشد. هدف از تایید امضا ، جداسازی امضاهای جعلی از امضاهای اصلی است. استفاده از رگرسیون توسعه یافته، در مقایسه با فاصله اقلیدسی و dtw، معیار بهتری از میزان شباهت دو امضا بدست می¬دهد، برای این منظور باید طول زمانی سیگنال¬های متناظر دو امضا یکسان شود. استفاده از تطابق همه نقاط برای یکسان¬سازی طول زمانی این سیگنال¬ها سبب کاهش تمایز بین امضاهای اصلی و امضاهای جعلی می¬شود. در این پایان-نامه برای حفظ تمایز بین امضاهای اصلی و امضاهای جعلی، روشی بر مبنای تطابق نقاط اکسترمم برای یکسان¬سازی طول زمانی سیگنال¬ها ارائه شده است.همچنین به کمک الگوریتم ماشین بردار پشتیبان اقدام به تشخیص خطا در سیستم سه تانک نموده و میزان دقت این الگوریتم در تشخیص خطا را با چند الگوریتم آموزش شبکه عصبی از جمله rbf و بازگشتی مقایسه می نماییم. در روال کار این پایان نامه قصد داریم پس از انجام مطالعات لازم در مورد روابط و معادلات بهینه سازی ماشین بردار پشتیبان در جهت جداسازی کلاس ها از یکدیگر، به شرح جزئیات ماشین بردار پشتیبان در فرم های خطی و غیر خطی پرداخته وبا یک سری شبیه سازی ها اثر پارامترهای مختلف (ازجمله پارامترهای هسته و پارامترc وبردارهای پشتیبان و..) را در میزان شناسایی و تخمین خطا بررسی کنیم.