2. های داده بینی پیش سازی شبیه و طراحی
های شبکه های کننده کنترل و هواشناسی
ای بازه و مرسوم عصبی
لب تشنه محمد
تعالی بسمه
دانشکدهبرقوکامپیوتر
دانشگاهصنعتیخواجهنصیرالدینطوسی
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
3. oمقدمه
oمفاهیمراف عه مجمو رویکرد
oروشای بازه عصبی شبکه
oسازی شبیه
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
13. روش
پیشنهادی
آزمایشات
گیرنتیجهی
13
راف های مجموعه نظریه
مثال:
فوق مثال درکند می تولید را زیر مقدماتی های مجموعه سردرد خصوصیت:
{p6وp4وp1}و{p5وp3وp2}
خصوصیاتمجموعه عضالنی درد و سردردکند می تولید را زیر مقدماتی های:
{p3}و{p5وp2}و{p6وp4وp1}
بدن دمای و عضالنی درد ،سردرد خصوصیاتمجموعهک می تولید را زیر مقدماتی هایند:
{p6}و{p4}و{p3}و{p5وp2}و{p1}
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
14. روش
پیشنهادی
آزمایشات
گیرنتیجهی
14
راف های مجموعه نظریه
تعریف:کنیم فرضهای مجموعه
برای باال تقریب و پایین تقریب ترتیب به کهXگویند می.ی مجموعه چنین هم
آن در کهBNبرای مرزی ناحیهXشود می گفته.
طبق،تعریفتقریبپایینXنسبتبهBمجموعهیهمهیاشیائیاستکهباتوجهبهB
ًامطمئندرXهستند.تقریبباالیXنسبتبهBمجموعهیهمهیاشیائیاستکهبا
توجهبهBممکناستدرXباشند.ناحیهمرزیمجموعهXنسبتبهBمجموعهیهمهی
اشیائیاستکهباتوجهبهBنمیتوانآنهارادرXیادرخارجXدستهبندیکرد.(طبق
شکل1)
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
15. روش
پیشنهادی
آزمایشات
گیرنتیجهی
15
راف های مجموعه نظریه
مثال:
تعریف
مرزی ناحیه چه چنانXیعنیی ،باشد تهی𝑩𝑵 𝑩(X)=0مجموعیه ،Xبیه نسیبتBییک
ناحیه چنانچه ،برعکس و شود می گفته قطعی ی مجموعهمیرزیXنیاتهییعنیی ،باشید
𝑩𝑵 𝑩(X)≠0مجموعه ،Xبه نسبتBراف(نادقیق)شود می گفته.
شکل1.یکمجموعهراف.درونبیضیمجموعهموردنظراست.مستطیلهای
سیاهکران،پایینمستطیلهایسیاهوخاکستریکرانباالومستطیلهای
خاکستریناحیهمرزیراتشکیلمیدهند.
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
16. خودرو
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
17. خودروهاباعث
در در بیشتری دانش
دارندهخودروشود می
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
19. ماهیها محیط در گیری یاد فضای
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
20. فضای ادامهماهیها محیط در گیری یاد
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
21. ماهیها محیط در گیری یاد فضای ادامه
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
26. روش
پیشنهادی
آزمایشات
گیرنتیجهی
26
عصبی شبکه پیشرو الگوریتممدل راف1
مصنوعی عصبی شبکهراف
0
1 1
1
j j i
n
L L i
i
net k w k x k
0
1 1
1
j j i
n
U U i
i
net k w k x k
1 1 1 1 1
min ,j j jL j L j Uo k f net f net
1 1 1 1 1
max ,j j jU j L j Uo k f net f net
.
1 1
1
2
j j
j
U Lo k o k
o k
بطوریکه1j=1,2, ,nبرای پیشرو الگوریتم ،خروجی الیه ،دوم ساز تعال الیه برای .باشد می
نرونk.شود می محاسبه زیر بصورت -ام
1
2 2 1
1
n
k k j j
j
net k w k o k
2 2 2
k k ko k f net k
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
27. روش
پیشنهادی
آزمایشات
گیرنتیجهی
27
مدل خطای انتشار پس آموزش الگوریتم1
مصنوعی عصبی شبکهراف
2 2
2 2
2 22 2 2 2
1 1 1 1 1 1
1 1 1
2 2 2
T n n
k k k
n n k k
E k e k e k e k d k o k
2 2 2
2 2 2
2 2 2 2 2
2 2 2 2 1
. . .
. 1. ' .
k k k
k j
k j k k k k j
k k k j
e o netE E
w k k k
w e o net w
e k f net k o k
2 2 2 1
k j k jw k k o k
آن در که21,2, ,k n.نوشت نی برداری صورت به توان می را تو رابطه .باشدمی
22
22
2
2 2 2 2 2 1 2 2 1
11 11 1 1 1 11
' .j j j
nn nn n
w k e k f net k o k k o k
( اول ساز تعال الیه در ایبازه پارامترهای بودن پایین حد و باال حد به توجه با 1 1
Lf netو
1 1
Uf netالیه هایوزن آموزش برای را حالت دو توانمی ،)تعال.ررتت نظر در )(میانی اول ساز
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
28. روش
پیشنهادی
آزمایشات
گیرنتیجهی
28
الگوریتم ادامهمدل خطای انتشار پس آموزش1
مصنوعی عصبی شبکهراف
:اول حالتنرون در اررjدوم الیه -ام 1 1 1 1
j jj L j Uf net f net:به توجه با آنگاه ،باشد
1 1 1 1 1 1 1
min ,j j j jL j L j U j Lo k f net f net f net
1 1 1 1 1 1 1
max ,j j j jU j L j U j Uo k f net f net f net
ورودی و نرون این بین وزن پارامتر آموزشi.بود خواهد زیر ترم به -ام
2
22
2
1 112 22
1 1 1
1 2 2 2 1 1 1 1
1 2 2 2 2 1 1
1 11
1
1
1 * ' '
2
j j
j i
j i j j j i
j
L Lj
L
L j L L L
T
j j L i
n nn
n
o netoo netE E e
w k k
w e o net o o net w
w k e k f net k f net k x k
1 1 1
j i jL L iw k k x k
2
22
2
1 112 22
1 1 1
1 2 2 2 1 1 1 1
1 2 2 2 2 1 1
1 11
1
1
1 * ' '
2
j j
j i
j j j j i
j
U Uj
U
U j U U U
T
j j U i
n nn
n
o netoo netE E e
w k k
w e o net o o net w
w k e k f net k f net k x k
1 1 1
j i jU U iw k k x k
باال حد ای بازه صورت به نی حساسیت تابع ،پایین حد و باال حد ایبازه هایوزن به توجه با
1
( )Uپایین حد و1
( )L.شودمی حاصل
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
29. روش
پیشنهادی
آزمایشات
گیرنتیجهی
29
الگوریتم ادامهمدل خطای انتشار پس آموزش1
مصنوعی عصبی شبکهراف
:دوم حالتنرون در اررjدوم الیه -ام 1 1 1 1
j jj L j Uf net f net:به توجه با آنگاه ،باشد
1 1 1 1 1 1 1
min ,j j j jL j L j U j Uo k f net f net f net
1 1 1 1 1 1 1
max ,j j j jU j L j U j Lo k f net f net f net
ورودی و نرون این بین وزن پارامتر آموزشi.بود خواهد زیر ترم به -ام
2
22
2
1 112 22
1 1 1
1 2 2 2 1 1 1 1
1 2 2 2 2 1 1
1 11
1
1
1 * ' '
2
j j
j i
j i j j j i
j
U Lj
L
L j U L L
T
j j L i
n nn
n
o netoo netE E e
w k k
w e o net o o net w
w k e k f net k f net k x k
1 1 1
j i jL L iw k k x k
2
22
2
1 112 22
1 1 1
1 2 2 2 1 1 1 1
1 2 2 2 2 1 1
1 11
1
1
1 * ' '
2
j j
j i
j j j j i
j
L Uj
U
U j L U U
T
j j U i
n nn
n
o netoo netE E e
w k k
w e o net o o net w
w k e k f net k f net k x k
1 1 1
j i jU U iw k k x k
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
30. روش
پیشنهادی
آزمایشات
گیرنتیجهی
30
الگوریتم ادامهمدل خطای انتشار پس آموزش1
مصنوعی عصبی شبکهراف
غیر سازتعال تابع آنکه به توجه با ،دهندمی نشان تو حالت دو به مربو هایرابطه که همانطور
حد و باال حد حساسیت تابع مقدار نتیجه در ،است یکی پایین حد و باال حد هاینرون درون خطی
.بود خواهد برابر حالت دو هر در پایین
2
22
2
1 2 2 2 2 1 1
1 11
1
1
* ' '
2j j
T
U j j U
n nn
n
k w k e k f net k f net k
2
22
2
1 2 2 2 2 1 1
1 11
1
1
* ' '
2j j
T
L j j L
n nn
n
k w k e k f net k f net k
به توانمی دلیل همین به .باشدمی یکسان حالت دو هر در هاوزن رسانی روز به رابطه نتیجه در
الیه و ورودی الیه بین هایوزن آموزش به مربو روابط ،میانی الیه در نرون به نرون بررسی جای
:داشت خواهیم صورت این در .نوشت برداری صورت به را اول ساز تعال
1 111 1
1 1 1 1 1 1 1
1 11 1 1 1 11 1
1
'
2iL L i L i
n nnn n
w k e k f net k x k k x k
1 111 1
1 1 1 1 1 1 1
1 11 1 1 1 11 1
1
'
2iU U i U i
n nnn n
w k e k f net k x k k x k
آن در که01, 2, ,i nو
1
1
1
iL
n
w k
و
1
1
1
iU
n
w k
بین باالی حد و پایین حد هایوزن ترتیب به
ورودیiو اول ساز تعال الیه و -ام
1
1
1n
e k
)(میانی اول ساز تعال الیه در خطا انتشار پ حاصل
.است
1 22 1 2
2
1 2 2 2 2
1 1 1 1
'
T
n nn n n n
e k w k e k f net k
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
47. ب به مبتال بیماران در دیابت بیماری دینامیکی ساختار توصیف برای متفاوتی های مدلدیابت یماری
نوع1است شده ارائه.کرد اشاره برگمن مدل به توان می آنها پرکاربردتریناز.
ارائه موجب که گردد برمی هشتاد دهه اوایل به گلوکز سیستم مدل یافتن برای جدی فعالیت اولین
شد برگمن مینیمال مدل نام به مدلی.است شده آورده زیر در آن معادالت:
1
2 3
( ) ( ( ) ) ( ) ( ) ( )
( ) ( ) ( ( ) )
( ) ( ( ) ) ( ( ) ) ( )
b
b
b
G t P G t G X t G t D t
X t P X t P I t I
I t n I t I G t h t u t
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
48. 2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
49. خانواده از کنترلرهای ،صنعتی فرآیندهای در کننده کنترل کاربردترین پرPIDاست.آن کلی دیاگرام بلوک
در
استشده داده نشان زیر شکل.
y(k)u(k)r(k)
-
کننده کنترل یک کلی رابطهPIDپارامترهای تنظیم هدف که است زیر صورت بهKp،KiوKdبدست برای
است مطلوب مشخصات با بسته حلقه پاسخ آوردن.
کنترل تحت سیستم∑
Kp
Ki
Kd
∑
e
e
e
0
( ) ( ) ( ) ( )
t
p i du t K e t K e d K e t
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
50. اماPIDشکل صورت به شود می زده تخمین عصبی شبکه توسط آن ضرایب که تنظیم خود کنترلراست زیر.
KdKiKp
y(k)u(k)r(k)
-
شود می زیر شکل به آن کنترلی سیگنال صورت ایندر:
آن در کهباشد می عصبی شبکه خروجی.
کنترل تحت سیستم∑ کنترلر PID
NN
( )e t
2 2 2
1 2 3( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )p p i i d d p i du k K k e k K k e k K k e k o k e k o k e k o k e k
2
o
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
51. دوم بخش:
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
52. مرجع درشده دادهپارامترهای از استفاده با[2]است آمدهبدستزیر بصورتنتایج ،.
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
53. مرجع در شده داده پارامترهای از استفاده با[2]است آمده بدست زیر بصورت نتایج ،.
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.
54. سوم بخش:
2015 Workshop on Soft Computing and Big Data, ECE Dept. of K. N. Toosi University of Technology, Tehran.