توضیحات
پروژه آموزشی مدلسازی کنترل تانک راکتور با شبکه عصبی با متلب و مقایسه MLP و RBF و Hopfield
در این پروژه سه شبکه MLP و RBF و Hopfield روی مدل شبیه سازی شده مقاله ضمیمه شده، پیاده سازی گردیده و نتایج حاصل از آنها مقایسه شده است.
مقدمه
پروژه شبیه سازی کنترل تانک راکتور بوسیله مدل کنترل مستقیم معکوس عصبی پیاده سازی شده است و فایلها پیوست شده اند. مدلها در سیمولینک متلب ساخته و اجرا شده اند.
روش کار
برای مدلسازی کنترلی به روش شبکه عصبی، ابتدا نیاز به آموزش شبکه است. برای آموزش، باید داده های مربوط به مدل استخراج شده و به شبکه ارائه شوند. لذا، ابتدا اقدام به مدلسازی تانک رأکتور و بررسی پاسخ آن نسبت به ورودیهای تصادفی در بازه 18 تا 23 واحد کردیم. برای ساخت داده ها، از فایل NumGenerator استفاده شده است. با اجرای این فایل در زمان تعیین شده، 1001 نمونه از ورودی و خروجی مدل بوجود میآید. با استفاده از دو بلوک To workspace که در این فایل موجود است، اطلاعات به محیط متلب رفته و از آنجا، مقادیر را به محیط nntool که ابزار ساخت شبکههای عصبی مصنوعی مورد نظر ماست میبریم. پس از ساخت شبکه های مورد نظر، مدل سیمولینک آنها بوسیله فرمان gensim() تهیه شده و به مدل سیمولینک تانک اعمال میشوند.
لازم به ذکر است که، بدلیل ماهیت معکوس بودن کنترل عصبی، نیازمند وارد کردن خروجی تانک راکتور، بعنوان ورودی و ورودی مدل راکتور بعنوان خروجی شبکه عصبی هستیم. به همین خاطر، با وارد کردن خروجی مطلوبی که برای تانک مد نظر داریم به شبکه عصبی، فرمان مطلوب ورودی تانک رأکتور توسط شبکه عصبی تولید میشود.
پس از ساختن مدلهای عصبی مطلوب، آنها را به تانک رأکتور اعمال میکنیم. با اجرای مدل سیمولینک، نتایج در اسکوپ قابل مشاهده است.
مقایسه
شبکه های عصبی ساخته شده، شامل موارد زیر است:
- Perceptron
- Generalized Regression
- Radial Basis Function
- Feed-Forward Backpropagation
با مقایسه شبکه های حاصل شده، نتایج زیر بدست آمده است:
شبکه RBF بزرگترین شبکه از لحاظ حجم اطلاعات مورد نیاز است. اما در ارائه نتایج، بدون خطا عمل کرده و از این نظر، کاملأ دقیق است.
مدل FFP و Generalized Regression نیز نتایج مطلوبی ارائه میکنند. اما نسبت به Perceptron حجم محاسباتی بالاتری دارند. برای مدل جاری که حجم محاسبات پایین بوده و همچنین، نیازمند اجرای همزمان(Real-Time) نمیباشد، مدلهای مفیدی هستند. اما برای پیادهسازی روی یک میکروپروسسور برای کنترل همزمان، ممکن است کمی نسبت به Perceptron کندتر عمل کنند.
برای مقایسه، میتوان هریک از مدلها را اجرا کرده و نتایج را در اسکوپ و همچنین در دو متغیر Nu و Ny مقایسه کرد.
دو متغیر Nu و Ny باید در هر لحظه برابر باشند. این امر، به معنای اجرای صحیح فرمان توسط شبکه عصبی است.
مدلسازی تانک رأکتور، بوسیله معادلات حاکم بر تانک همزن دائم انجام شده است.
همچنین، فایل ارسالی توسط شما، فاقد مدل تانک رأکتور بود و تنها پیاده سازی آموزش شبکه عصبی و اعمال کنترل مستقیم معکوس عصبی را بهمراه داشت.
تصویر مربوط به فرمان nntool و شبکههای ایجاد شده توسط خروجی تانک رأکتور و ابزار جاری، نشان داده شده است:
همچنین، فایل مربوط به ذخیره شبکه های عصبی ساخته شده، بهمراه مدل سیمولینک آنها الحاق شده است.
تصاویر شبیه سازی:
NuRBF
NyRBF
مقایسه شبکه ها با یکدیگر:
برای مقایسه شبکه ها، تنها نیاز به مقایسه نحوه عملکرد و ساختار آنها داریم. زیرا، ارسال فرمان به تانک رأکتور، بوسیله نگاشتی صورت میگیرد که توسط شبکه عصبی انجام میشود.
لذا، کیفیت این نگاشت، ملاک است.
برای مقایسه شبکه ها، اقدام به محاسبه رگرسیون خروجی برای هر یک از شبکهها میکنیم. پس، فایل Networks را باز کرده و فایل الحاق شده را اجرا میکنیم. با اینکار، عملکرد شبکه ها باهم مقایسه میشوند.
نکات قابل ذکر:
- پروژه آموزشی مدلسازی کنترل تانک راکتور با شبکه عصبی با متلب و مقایسه MLP و RBF و Hopfield توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایل های پروژه به صورت کامل به همراه فایل راهنما بلافاصله پس از خرید فایل در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.