جايابي مقاوم قطب براي سيستمهاي فازي از طريق فيدبك خروجي
اين مقاله به ارايه يك روش بهبود يافته براي جايابي مقاوم قطب از طريق كنترل فيدبك خروجي براي سيستمهاي فازي با عدم قطعيت مي پردازد . كنترل كننده با استفاده از تكنيك جبران سازي توزيع يافته موازي (pdc) . بر اساس مدل t-s از فرآيند تعيين شده و روش طراحي بر اساس قيود نامساوي ماتريسي خطي (lmi) بيان مي گردد . به منظور نشان دادن كارايي اين روش، تكنيك طراحي ارايه شده بر روي سيستم پاندول معكوس پياده سازي مي شود و نتايج مورد ارزيابي قرار مي گيرد.
حذف نويز اسپكل در تصاوير آلتراسوند پزشكي مبتني بر شبكه عصبي و تبديل موجك
آلتراسونوگرافي، به دليل داشتن خصوصياتي چون غيرتهاجمي بودن، قابليت حمل و قيمت نسبتاً پايين آن، يكي از روشهاي پركاربرد در تصويربرداري از اعضاي داخلي و بافتهاي نرم بدن انسان است. با اين وجود، كيفيت پايين تصاوير آلتراسوند، پيشپردازش آنها را براي تشخيص پزشكي اجتنابناپذير مينمايد. اين پيشپردازش، شامل حذف نويز اسپكل ميباشد كه نوعي نويز ضربشونده است و تفسير تصاوير آلتراسوند را دچار مشكل ميكند. در اين مقاله، براي حذف اين نوع نويز از روش شبكهعصبي آستانهگذاري با تابع غيرخطي جديد استفاده شدهاست. اين روش با تركيب مفهوم شبكه عصبي و حذف نويز در حوزه ي موجك، با استفاده از آموزش بدون ناظر و با كمك معيار ،sure اين نوع نويز را حذف ميكند. نتايج آزمايشها، برتري روش پيشنهادي را نسبت به ساير روشهاي متداول به اثبات ميرساند.
خوشه بندي گرهها در شبكه هاي سنسور بي سيم با استفاده از الگوريتم ژنتيك
مصرف بهينه انرژي در شبكه هاي سنسور بيسيم از اهميت زيادي برخوردار است. پژوهشهاي قبل نشان داده است كه با سازماندهي گره- هاي شبكه در تعدادي خوشه، ميتوان به كارايي بيشتري از انرژي رسيد كه به افزايش عمر شبكه منتهي ميشود. خوشه ها هر كدام شامل يك گره اصلي به نام سرخوشه و تعدادي گره فرعي به عنوان عضو ميباشند. ايجاد كنترل روي تعداد و مكان سرخوشه ها و همچنين اندازه خوشه ها از نظر تعداد اعضا همواره به عنوان يك چالش مطرح بوده است. طبيعت ديناميكي مسئله بخاطر تغيير پياپي سرخوشه ها در هر دوره از فعاليت شبكه، مسئله را پيچيده تر ميكند كه با روشهاي كلاسيك رياضي قابل مدلسازي نيست. در اين پژوهش با استفاده از الگوريتم ژنتيك، تعداد و محل سرخوشه ها را بطور بهينه تعيين ميكنيم. معيار برازش بر اساس حداقل انرژي مصرف شده گره هاي شبكه در طي هر دوره عمليات ارسال داده خواهد بود كه منجر به ايجاد تعادل در مصرف انرژي سرخوشه ها و در نتيجه طولانيتر شدن عمر شبكه ميشود.
در سيستم كنترل سرعت موتور القايي با روش هوشمند آتوماتاي يادگيري تقويتي تركيبي pi طراحي بهينه كنترل
موتور القايي به دليل هزينه اوليه كم و عدم نياز به تعميرات دوره اي بيش از 95 ٪ از نياز صنعت به محركه هاي الكتريكي را تامين مي نمايد. در بسياري از كاربردهاي موتورهاي القايي كنترل سرعت آنها الزامي است. در اغلب موارد بار موتور و پارامترهاي آن )مانند اينرسي دوراني و...( متغير است و پيش بيني نمودن آن مشكل بوده و از نظر اقتصادي مقرون به صرفه نيست . كنترل كننده موجود در سيستم كنترل سرعت موتور القايي از نوع pi مي باشدك ه با هرتغيير پارامتر سيستم بايد پارامترهاي كنترل pi را مجددا تنظيم كرد. در اين مقاله مقادير بهينه پارامترهاي كنترل pi باروش هوشمند آتوماتاي يادگيري تقويتي تركيبي تعيين مي گردند. روش پيشنهادي روشي خودكار و دو مرحله اي است كه بدون نياز به شناسايي پارامترهاي دستگاه تحت كنترل مي توان آنرا براي تطبيق پارامترهاي كنترل كننده نيز بكار برد.
در شبكه هاي توزيع شعاعي با استفاده از ميكرو- الگو ريتم avr مكان يابي ژنتيك
در شبكه هاي توزيع روستاي ي شعاعي ، استفاده از avr به كاهش تلفات انرژي و افزا يش كيفيت توان مصرف كنندگان انرژي كمك مي كند و افت ولتاژ در طول فيدر توزيع كاهش مي يابد. از طرفي، براي اينكه به تصميم گيران شركت هاي توزيع انرژي اطلاعاتي داده شود كه بر اساس آن بتوانند تصميم گيري بهتري داشته باشند و با تكيه به اين اطلاعات بهينه ترين مكان ها برا ي يك مجموعه avr در شبكه هاي توزيع را پيدا كنند.فرايند بهينه سازي بر اساس كاهش تلفات كلي و بهبود پروفيل ولتاژ در طول فيدر، به عنوان يك تابع چند ضابطه اي كه بايد بهينه شود كار مي كند .يكي از عالي ترين روشها براي حل اينگونه مسائل چند ضابطه اي الگو ريتمي است بنام μga اين روش قادر به پيدا كردن جواب با استفاده از يك روش موثر بنام روش بهينه سازي پارتو است .در اين مقاله سعي شده است استفاده از اين الگوريتم با مثال هاي بسيار ساده توضيح داده شود بعد در قدم بعدي برنامه نوشته شده بر روي يك سيستم نمونه بسيار ساده پياده شود و نهايتاً براي يك سيستم واقعي اين كار انجام شود.
روشي جديد براي آشكارسازي چهره با استفاده از ماشين بردار پشتيبان
در اين مقاله، روشي جديد براي آشكار سازي چهره با استفاده از ماشين بردار پشتيبان پيشنهاد شده است كه باعث افزايش نرخ آشكارسازي وهمچنين كاهش خطاي روشهاي قبلي مي گردد. در روشهاي كلاسيك آشكارسازي چهره با استفاده از ماشين بردار پشتيبان، ابتدا تصوير ورودي به پنجره هايي با ابعاد ثابت تقسيم و در نهايت براي هر پنجره تصميم گيري مي شود. اين روش داراي نرخ آشكار سازي كمي است. در اين مقاله براي بهبود روشهاي قبلي بجاي استفاده از پنجره ثابت از پنجره هايي با اندازه هاي مختلف استفاده مي شود. هر پنجره داراي دقت خاص در آشكارسازي است كه در نهايت، تصميمات حاصل از بكارگيري پنجره هاي مختلف روي يك ناحيه از تصوير، با هم ادغام مي شود. همچنين در اين مقاله از يك سطح تصميم گيري وفقي استفاده شده و بجاي اينكه تصميم گيري براي هر پنجره فقط متكي بر خروجي ماشين بردار پشتيبان باشد از معيار هاي شباهت سنجي بين پنجره مربوطه با مدلي از چهره براي تصميم گيري نهايي استفاده مي گردد. نتيجه بكارگيري اين روش، افزايش قابل قبول نرخ آشكار سازي و همچنين كاهش خطا است كه نتايج شبيه سازيها مؤيد اين مسئله است.
روشي جديد براي آشكارسازي عيب بلبرينگ هاي موتور القايي با استفاده از شناسايي الگو
در اين مقاله روشي جديد بر مبناي تشخيص الگو با استفاده از شبكه عصبي مصنوعي براي آشكارسازي و دسته بندي عيوب بلبرينگ هاي موتور القايي ارائه مي شود. شبكه عصبي توسط يك دسته داده آزمايشگاهي با مشخص بودن محل عيب آموزش داده مي شود و يك دسته داده نيز براي آزمون شبكه به كار برده ميشود. در اين روش خصوصيات حوزه زمان و فركانس سيگنال ارتعاشات بدنه موتور استخراج و به عنوان ورودي شبكه عصبي استفاده مي شوند. اين ويژگي ها از پردازش مستقيم بخش هاي مختلف سيگنال اندازه گيري شده بدست مي آيد. سه حالت سالم، عيب رينگ بيروني و عيب رينگ داخلي با استفاده الگوريتم پيشنهادي دسته بندي مي شوند و نوع عيب مشخص ميشود. نتايج نشان مي دهد كه الگوريتمهاي تشخيص الگو با استفاده از خصوصيات حوزه زمان مي تواند محل عيب را با دقت بالا و بدون نياز به محاسبات پيچيده مشخص كند.
سيستم بازشناسي حروف دست نويس فارسي بر اساس الگوريتم آموزش فعال با استفاده از كميته اي از دسته بندها
در مسايل يادگيريِ واقعي، بدست آوردن نمونه هاي برچسب دار براي آموزش بسيار پرهزينه مي باشد. در اين مقاله روشي براي دسته بندي حروف پيشنهاد شده است كه در آن ابتدا يك كميته شامل يك شبكه عصبي ساده چند لايه، يك دسته بند بيزين ساده و يك دسته بند Rocchio با تعداد كمي نمونه برچسبدار ساخته م يشوند. سپس با استفاده از يادگيري فعال و با بكارگيري روش نمونه برداري براساس عدم اطمينان و اختلاف نظر بين اعضاي كميته و عدم مشابهت، نمونه هاي مفيد را براي برچسب گذاري به كاربر مي دهد تا در آموزش مجدد دسته بندها استفاده كند. در نهايت در مرحله تست از تركيب آراي اعضاي كميته براي تعيين كلاس داده ورودي استفاده مي شود. همچنين مقايسه اي بين نتايج دسته بندي حاصل از روش هاي معمولي آموزش، روش هاي فعال آموزش با استفاده از يك دسته بند و روش پيشنهادي صورت گرفته است. اين مقاله همچنين از روش قاب بندي براي استخراج ويژگيها استفاده مي كند. اين روش وابسته به قلم و اندازه حرف ورودي نيست و با يك تغيير كوچك در مرحله پيش پردازش براي هر زباني با هر قلمي و هر اندازه اي مي تواند كارا باشد. نمونه هاي استفاده شده بصورت دستي جمع آوري و پردازش شده اند.
شبكه هاي عصبي مصنوعي جهت تشخيص و طبقه بندي بيماري هاي گوارشي بااستفاده از آناليز هاي ويولت و كپستروم در مقايسه با روشهاي آماري
در اين مقاله بررسي بر روي بيماري هاي گوارشي آشكار شونده توسط صوت صورت مي گيرد ويژگي هاي مربوطه سيگنالها ي صوتي پس از ثبت در خوزه كپستروم و ويولت استخراج شده و ثبت مي گردد و طبقه بندي اين سيگنالها به وسيله طبقه بندي كننده هايي چون شبكه عصبي و آماري انجام مي گيرد. در نهايت مقايسه نتايج روش هاي ذكر شده در رسيدن به تشخيص درست تر.