توضیحات
شبیه سازی شناسایی سیستم های غیرخطی به کمک شبکه عصبی RBF در متلب
در این شبیه سازی ، یک RBF-NN را برای تقریب و تخمین مرتبه صفر یک سیستم غیرخطی اجرا کردیم. این پروژه شامل شبیه سازی مونت کارلو و کد RBF NN است. برای تخمین سیستم غیرخطی از الگوریتم گاوسی-کرنل با مراکز ثابت و پراکنده استفاده می شود. در حالی که ، وزن و جهت گیری RBF-NN با استفاده از الگوریتم یادگیری تطبیقی مبتنی بر شیب نزولی بهینه شده است. تصاویر زیر مربوط به پروژه شناسایی سیستم های غیرخطی در متلب است:
شناسایی سیستم
شناسایی سیستم روشی است برای شناسایی یا اندازه گیری مدل ریاضی یک سیستم از اندازه گیری ورودی ها و خروجی های سیستم. برنامه های شناسایی سیستم شامل هر سیستمی است که می تواند ورودی ها و خروجی ها را اندازه گیری کند و شامل فرآیندهای صنعتی ، سیستم های کنترل ، داده های اقتصادی ، زیست شناسی و علوم بیولوژی ، پزشکی ، سیستم های اجتماعی و موارد دیگر باشد.
سیستم های غیرخطی
- مدل های سری Volterra
- مدل های ساختاری بلوک
- مدل های شبکه عصبی
- مدل های NARMAX
- مدل های فضای حالت
شبکه عصبی تابع پایه شعاعی RBF-NN
در زمینه مدل سازی ریاضی ، یک شبکه توابع پایه شعاعی یک شبکه عصبی مصنوعی است که از توابع پایه شعاعی به عنوان توابع فعال سازی استفاده می کند. خروجی شبکه ترکیبی خطی از توابع پایه شعاعی ورودی ها و پارامترهای نورون است. شبکه های تابعی پایه شعاعی کاربردهای زیادی دارند ، از جمله تقریب و تخمین تابع، پیش بینی سری زمانی ، طبقه بندی و کنترل سیستم.
(منبع)
شبیه سازی شناسایی سیستم های غیرخطی به کمک شبکه عصبی RBF در متلب
توسط متخصصان گروه پروماد انجام شده است.فایلهای نرم افزاری پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
Farhad –
مرسی خیلی کامل بود