ترجمه سیستم فازی متخصص در رده بندی اتوماتیک سیگنال ارتعاشی

توضیحات

 عنوان فارسی: سیستم فازی متخصص در رده بندی اتوماتیک سیگنال های ارتعاشی

عنوان انگلیسی مقاله ترجمه شده:

A fuzzy expert system for automatic seismic signal classification

رده بندی اتوماتیک اطلاعات ارتعاشی از این نظر دارای اهمیت ویژه است که دریافت این اطلاعات با حجم زیاد و به طور مداوم انجام می شود.پژوهشگران اطلاعات ارتعاشی این اطلاعات را با مشاهده و محاسبه مشخصات سیگنال رده بندی می کنند.مراحل انجام این کار ذهنی است و مستلزم وقت زیاد وداشتن تجربه بالاست.مطمئنا یک برنامه رده بندی اتوماتیک دقیق زمان و انرژی لازم برای انجام این کاررا کاهش می دهد و علاوه بر آن کار رده بندی را سریعتر و با دقت بیشتری انجام می دهد.هدف این مقاله معرفی سیستم رده بندی دقیقی است که بر اساس قوانین فازی(سیستم صفر و یک )کار می کند و می تواند از استدلال انسانی پیروی کند و از دانش دانشمندان متخصص در رده بندی اطلاعات ارتعاشی نیز استفاده کند.اساس این ایده از آن جا شکل گرفت که تحلیل گر انسانی کار رده بندی را بر اساس یک سری قوانین تجربی انجام می داد.علاوه بر آن این روش به این دلیل انتخاب شد که قابلیت تفسیر پذیری و تنظیم بالایی دارد و قدرت مدیریت اطلاعات خام پیچیده را نیز دارا می باشد.با توجه به این کاربرد های مفید این برنامه،سیستم رده بندی بر اساس آرا بامتد منطقی فازی چندگانه با سه قانون ساخته شد.رده بندی انجام شده برای اطلاعات حقیقی ارتعاشی قدرت بالای قابلیت عمل کردن این سیستم را در رده بندی یک خطی نشان داد.

مغز انسان سیگنالهای اطراف خود را از طریق حواس پنج گانه دریافت می کند.دانشمندان همواره به دنبال راهی برای ساختن ماشینی با قابلیت تحلیل سیگنال های اطراف بوده اند.دریافت و تشخیص سیگنالهایی مثل زلزله به ما در پیش بینی زلزله ها کمک می کندو همچنین امواج دریافتی از بمب ها ی هسته ای به سازمانهای بین المللی در ایجاد ممنوعیت ها کمک می کند.از آنجا که رده بندی امواج توسط انسان کاری استرس زا وزمانبر است لذا طراحی یک سیستم رده بندی اتوماتیک امواج امری ضروری به نظ می رسد.روش های زیادی در بسیاری از کشورها معرفی مورد آزمایش قرار گرفتند.اما در این مقاله ما به معرفی سیستم دقیق فازی(FRBES)برای رده بندی اتوماتیک سیگنال ها می پردازیم.استفاده از FRBES را به عنوان یک رده بندی کننده سیگنال های ارتعاشی رابه دلایل زیربه شما پیشنهاد می کنیم:

• FRBES  بر اساس داده های آموزشی مثل علوم اکتشافی وعلاوه برآن تجربه افرادی که در زمینه رده بندی سیگنال ها استاد هستندساخته می شودبر خلاف بسیاری از روش های دیگر مثل شبکه اعصاب مصنوعی که فقط بر پایه داده های آموزشی کار می کنند.
• – FRBES ثابت کرده است که بدنه ای قوی برای هم شکل سازی اطلاعاتی مبهم است که از مفهوم متغیرهای زبان شناسی استفاده می کند به جای مقادیر دقیقی که در دستکاه های ریاضیاتی قدیمی استفاده می شد.
• – از همه مهم تر این که FRBES متغیرهای زبان شناسی وقوانین فازی را به کار می برد که قابل فهم برای انسان است.
• اطلاعات ارتعاشی و مشخصات آنها
• در ادامه ٱزمایشی که مربوط به ثبت سیگنال های ارتعاشی در اطراف یک شهر است نیاز به پیدا کردن منبع هر سیگنال توسط یک دستگاه اتوماتیک را نشان می دهد.منابع یافت شده برای این نمونه عبارت بودند از زلزله محلی(LE) زلزله در مسافت دور(DE)صدا (NS)و صدای معدن (QB)بود.تشخیص سیگنال محلی زلزله تحلیلگران را از وجود زلزله فعال وارتعاشات اخطار دهنده در منطقه آگاه می کند.تشخیص امواج معدن به مطالعات در زمینه اثرات انفجار بر ساختمان ها کمک می کند.تشخیص منبع تولید ارتعاش نیز بسیار مهم است که با توجه به مشخصات سیگنال برای تحلیلگران این رشته آسان است.

شناخت مشخصات پایه ای سیگنالهای ارتعاشی و منبع آن ها برای استخراج بیشترین مشخصات مربوط به آن و مشخصات متمایز کننده آن سیگنال از سیگنال های دیگر کمک می کند.با شناخت شکل سیگنا لهای حاصل از هر یک از منابع با مشاهده آنها به نوع منبع پی می بریم.

شکل 2.مثال هایی از مولفه های عمودی زلزله نگار برای چهار نوع سیگنال ضبط شده در شبکه آگادیر را نشان می دهد،همراه با پوشش متناظر و FFT.با نگاهی به این شکل می بینید که سیگنال زلزله با انفجار معدن کاملا متفاوت است چون شامل Sبزرگتر است.تحلیل انفجار معدن نشان می دهد که همه آنها یک شکل هستند واز طریق منحنی محاطی قابل شناسایی هستند.در مورد منابعی که سیگنالهای مشابهی ایجاد می کنند اختلاف ها در تشخیص نوع منبع کمک می کند.این جدولها فرکانس امواج ارتعاشی را نیز به ما می دهد.ترکیبی از این اطلاعات همراه با اطلاعات استخراجی از حوزه زمان مثل مدت استمرار سیگنال و میزان انحراف آن به طور موثری در رده بندی سیگنالها کمک می کند.زمان تداوم یک سیگنال نیز موردی است که کمک کننده است مثلا مدت سیگنال یک زلزله از یک انفجار بیشتراست.

روش شناسی

مشکلات رده بندی سیگنال ها همواره در سه مرحله وجود داشته است(شکل 3):مرحله پیش پردازش سیگنال،مرحله استخراج مشخصات سیگنال و مرحله رده بندی سیگنال.دو مرحله اول بیشترین اطلاعات را تولید می کنند وکمترین تعداد مشخصات را برای سیگنال استخراج می کنند در حالی که بیشترین اطلاعات مربوط به رده بندی سیگنال رو ارائه میدهند . آخرین مرحله مشخصات استخراج شده در مراحل قبلی را برای تشخیص نوع سیگنال به کار میبرد.آن چه که سیستم رده بندی نشان می دهد به کیفیت و ابعاد بالای زلزله نگار وابسته است.بنابراین استخراج بیشترین مشخصات مربوط به سیگنال بستگی به دقت زلزله نگار دارد.مشخصاتی که تحلیلگران امواج ارتعاشی با آنها در ارتباط هستند عبارتنداز:منحنی تشابه(Es) زمان استمرار(Td) ساعت(H)مرکز ثقل طیفی(Sc) طول طیفی(Sl)اریبی(S).برای طراحی رده بندی کننده ،سیستم رده بندی ما باید یک از منابع ذکر شده از قبل را برای سیگنال تشخیص دهد شامل زلزله محلی،زلزله در فاصله دور،انفجار در معدن و سروصدا.که برای تشخیص منبع به هر کدام از پارامترهای بالا نیاز است.بنابراین مشکل برای طراحی سیستم رده بندی کننده آن جاست که باید حدود بهترین منحنی ها را تشخیص دهد ومنحنی هایی که مشخصات مبهم را برای ما با کمترین خطا طبقه بندی کند.خلاقیتی که یک تحلیلگر قابل در تشخیص سیگنالهای ارتعاشی داردهدفی است برای توسعه  سیستم قوی فازی که قادر به تقلید از منطق انسانی است.

سیستم های دقیقی که براساس قانون فازی برای رده بندی سیگنال های ارتعاشی به کار می روند برنامه های کامپیوتری هستند که منطق و رفتار یک تحلیلگر یا تحلیلگر با تجربه را در حل مشکلی مشخص تخمین می زنند.بیشترین برنامه هایی که برای این منظور به کار می روند بر اساس قانون فازی کار می کنند تا مشخصات کاملی از دانش انسانی و مراحل منطقی را مدلسازی کننونمایش دهند.که در این زمینهFRBESDفعالترین زمینه تحقیقاتی در زمینه هوش مصنوعی است و دانشمندان زیادی معتقدند که منطق و مهارتهای دانشی  می توانند با به کار بردن قوانین فازی بیان شوند.

درتئوری کلاسیک گروه ها هر داده از یک گروه داده ها یا به دسته تعلق دارد یا ندارد،بنابراین انتقال از یک گروه به گروه دیگر ناگهانی است.اما در باندری یا گروه فازی حرکتی نرم است.یعنی رفتن از یک گروه به گروه دیگر تدریجی است .این تغییر تدریجی به یک داده این اجازه را می دهد که تا حدودی به یک دسته تعلق داشته باشدبا این مفهوم که عملکرد عضو بودن در یک گروه خاص در یک محدوده ارزش گذاری می شود(مجموعه اعداد بین صفر و یک).

متغیرهای زبانشناسی معمولا با دسته های فازی با عملکرد عضویت اختصاصی تعریف می شوند.مرزهای این مفهوم نیز مبهم واز این جهت برای کارکردن با مقادیریکه دنیای فیزیکی واقعی با ان مواجه است مناسبتر است.این مشخصات توجه بیشتری را به سمت FRBES جلب می کند.این سیستم برنامه های موفقی را با تنوع زیاد ترتیبی شامل کنترل ،تصمیم گیری وتشخیص طرح را یافته است.

ساختار اصلی سیستم استنتاج فازی به دو بخش مفهومی مهم تقسیم می شود:پایه دانشی و روش منطقی فازی و عضویت در یک دسته را با قوانین فازی تعریف می کند.متد منطقی مکانیسمی را برای اجرای رویه استنتاجی مهیا می کند.دراین مقاله هدف طراحی سیستمی است که پروسه های منطقی فازی چند گانه کار کند.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.