یونس سلگی

یونس سلگی


تاریخ انتشار : Publish : نسخه قابل چاپ Print

دانشکده مهندسی

گروه برق

 

پایان نامه:  

برای دریافت درجه کارشناسی ارشد

عنوان:

طراحی کنترل کننده­ی مبتنی بر شبکه­های عصبی فازی- موجک برای سیستم­های دور عملیات

 

استاد راهنما:

 دکتر سهیل گنجه­فر

 

پژوهشگر:  یونس سلگی
دانلود رزومه

زمان: یکشنبه 30/6/1393                        مکان: سمینار 2 برق

چکیده پایان نامه:

       در این پایان نامه به بررسی و اصلاح ساختار شبکه­های عصبی فازی- موجک پرداخته شد. شبکه­های عصبی بدلیل خاصیت آموزش پذیری امروزه بسیار مورد توجه قرار گرفته­اند. شبکه­های عصبی فازی با ترکیب یک شبکه­ی فازی با یک شبکه­ی عصبی ویژگی­های مثبتی از هر دو شبکه را دارا هستند. برای اصلاح ساختار شبکه­ی عصبی فازی موجک، الگوریتم آموزش جدیدی مبتنی بر روش سریع­ترین فرود ارائه شد که در این روش به دلیل اضافه شدن نرخ­های یادگیری تطبیقی آموزش بهتر صورت می­گیرد و احتمال گیر افتادن وزن­ها در مینیمم های محلی کاهش می­یابد. این الگوریتم پیشنهادی قابل استفاده در هر دو شبکه­ی فازی- موجک نوع اول و نوع دوم می­باشد. مشکلی که در کارکردن با شبکه­های عصبی فازی وجود دارد انتخاب تعداد توابع عضویت یا نورون­های لایه­ی دوم شبکه می­باشد. با انتخاب تعداد کم نورون­ها ممکن است شبکه عملکرد مناسبی نداشته باشد و به خوبی آموزش نبیند و در صورت انتخاب تعداد زیادی نورون ساختار شبکه پیچیده خواهد شد. در این پایان­نامه یک شبکه­ی عصبی فازی- موجک ساختار متغیر پیشنهاد شد که می­تواند راه حل مناسبی برای این مشکل باشد. شبکه­های فازی موجک پیشنهادی بعنوان کنترل کننده به یک سیستم دور عملیات اعمال شدند و عملکرد آن­ها مورد تجزیه تحلیل قرار گرفت.

 

شهریور ماه 1393

 

Abstract:

      Teleoperation extends the human ability to manipulate objects remotely by providing the operator with conditions similar to those at a remote location. A teleoperation system comprises 5 subsystems: human operator, master, slave, communication channel, and environment. Stability and transparency have important roles in the behavior of teleoperation systems. This study modifies an original fuzzy wavelet neural network (FWNN) to design an appropriate novel controller for a teleoperation system to achieve stability and good performance in the presence of a variable time delay. First, to modify fuzzy wavelet neural network a new improved learning algorithm, based on gradient descent method, is used to update the network parameters. In this improved method adaptive learning rates were used to prevent parameters getting stuck in local minima. A novel controller is designed based on modified network. The designed controller, based on modified FWNN, is Lyapunov stable. The stability of the FWNN controller is highly dependent on the learning rates and calculating gradient of network parameters for update equation.

Assumed teleoperation system has time delays, measurement noise, communication channel noise, unknown environments etc. A teleoperation controller should make the system stable and achieve optimal performance in the presence of time delays, plant disturbances, measurement noise, modeling errors, and unknown environments. The proposed controller can’t handle these problems. Therefore, we tried to propose a new method of controller design based on a type-2 fuzzy wavelet neural network structure in following. The modified algorithm based on gradient descent was used. The salient characteristics of the T2FWNN controller are that the system is constructed on the basis of type-2 membership functions to handle uncertainties associated with information and data in the knowledge base; it can handle unknown environmental interactions; it will remove most noise added to data transmitted through a communication channel. The algorithm of this controller is Lyapunov stable as well.

Number of neurons in FWNN controllers is an important problem. In modified FWNN and T2FWNN controllers increasing number of neurons makes the controller complicated. To avoid this problem, a variable structure controller based on fuzzy wavelet neural networks is introduced. The proposed controller structure, adapts itself online to the system. Therefore, Because of the adaptive structure, calculations and controller complexity will decrease. The proposed controller uses the improved gradient descent algorithm to adapt different varying parameters. The stability of the proposed controller algorithm is analyzed according to the Lyapunov method as well. The proposed controller was compared with T2FWNN and T1FWNN controller and a conventional fuzzy controller. Simulation results illustrates the efficacy of proposed controllers.

Key Words: Neural network, Fuzzy system. Teleoperation system, Time delay, Noise