توضیحات
شبیه سازی کنترل فازی شبکه عصبی چند لایه در متلب
منطق فازی به طور گسترده ای در کنترل دستگاه استفاده می شود. اصطلاح “فازی” به این واقعیت اشاره دارد که منطق درگیر می تواند با مفاهیمی برخورد کند که نمی توانند به عنوان “درست” یا “نادرست” بیان شوند ، بلکه به عنوان “تا حدی درست” بیان می شوند. اگرچه رویکردهای جایگزین مانند الگوریتم های ژنتیکی و شبکه های عصبی در بسیاری موارد می توانند درست و همچنین منطق فازی را انجام دهند ، منطق فازی این مزیت را دارد که راه حل مسئله را می توان از نظر فنی ارائه داد که اپراتورهای انسانی بتوانند آن را درک کنند ، تا تجربه آنها حاصل شود. مورد استفاده در طراحی کنترلر. این باعث می شود مکانیزه کردن کارهایی که قبلاً با موفقیت توسط انسان انجام شده اند ، آسان تر شود.(منبع)
در این پروژه شبیه سازی کنترل فازی شبکه عصبی چند لایه Backpropagation با مومنتوم و هر تعداد واحد ورودی ، لایه های مخفی و واحدهای خروجی و هر تعداد نورون در لایه های پنهان انجام شده است.
سیستم کاربری فازی به عنوان یک راه حل برای سرعت بخشیدن به همگرایی شبکه عصبی Multilayer Backpropagation با مومنتوم استفاده می شود. از یک کنترلر فازی برای تنظیم کردن پارامتر میزان یادگیری به طور خودکار بر اساس یک راه حل اکتشافی و بسته به شکل سطح خطا استفاده می شود.
ایده اصلی در مورد کنترل فازی backpropagation ، اجرای اکتشافی در قالب قوانین فازی if then از آن است. که با استفاده از خطا و تغییر در خطا به عنوان متغیرها انجام می شود و ارتباط بیشتر آنها با کلاس ها بر اساس مقدار سطح خطا انجام می شود. چندین کارکرد برای کنترل کننده فازی پیاده سازی شده است که خطا را تغییر می دهد و بر این اساس ، به روزرسانی در پارامتر نرخ یادگیری برای تکرار بعدی منجر به همگرایی سریع میشود.
اطمینان حاصل کنید که این برنامه قبل از ارزیابی با استفاده از عملکرد تست که همان عملکرد MLBPN است ، همگرا شود.
برای سرعت بخشیدن به همگرایی می تواند به عنوان یک مثال آموزشی برای FIS در Backpropagation مورد استفاده قرار گیرد. همچنین با غیرفعال کردن به روزرسانی در پارامتر میزان یادگیری آلفا توسط deltaAlpha می توانید با تنظیم DISABLEFIS = 0 این کار را امتحان کنید. در این مرحله فقط الگوریتم backpropagation خواهد شد.
پارامتر Momentum همچنین برای سرعت بخشیدن به همگرایی الگوریتم backpropagation پیاده سازی شده است و برای مقایسه باید با دقت از FIS یا جداگانه استفاده شود.
در کل چهار فایل m وجود دارد:
- FuzzyControl_of_MLBPN_Train.m برای ساخت و آموزش شبکه چند لایه در الگوی ورودی مورد نظر استفاده می شود و شامل اجرای سیستم استنتاج فازی برای کنترل MLBPN برای همگرایی سریع است.
- MLBPN_Test.m برای آزمایش شبکه عصبی آموزش دیده استفاده می شود.
- از DefinePattern2.m برای تهیه الگوهای آموزش شبکه استفاده می شود.
- SGN.m برای ارزیابی علائم داخلی استفاده می شود.
این کد امکان تغییر مراحل انتشار رو به جلو و عقب را به صورت جداگانه و همچنین مکانیسم کنترل فازی فراهم می کند تا همگرایی سریع روی داده های آموزش پیچیده امکان پذیر باشد.
شبیه سازی کنترل فازی شبکه عصبی چند لایه 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.
اگر این محصول، پروژه مورد نظر شما نمی باشد، می توانید از طریق لینک زیر سایر پروژه های مشابه را مشاهده کنید.
سایر پروژه های مشابه
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.