در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – کنترل

عنوان:

طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال با بهره گیری از روش های هوشمند

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی گردد

تکه هایی از متن به عنوان نمونه :
(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)
چکیده:
در این پایان نامه آغاز به مطالعه نویز و خواص آماری آن که اثر مستقیم بر روی قابلیت پیشگویی سیگنال دارد، می پردازیم. ساختار کنترل فعال نویز با دو چیدمان فیدبک و feedforward را تبیین می دهیم. پس از آن ساختار فیلترها و الگوریتم حاکم بر آنها و چگونگی تعیین ضرایب فیلترها در کنترل کننده ها و همچنین الگوریتم FX‐LMS در ساختار کنترل فعال نویز feedforward به گونه کامل تبیین داده می گردد. در ادامه به مطالعه شبکه های عصبی و کاربرد آنها در ساختارهای کنترلی پرداخته و نوع feedforward و بازگشتی شبکه عصبی به همراه معادلات، تعداد ضرایب و خصوصیاتشان اظهار می گردد. پس از معرفی شبکه های عصبی به مطالعه کاربرد آنها در ساختارهای کنترلی پرداخته و در ادامه ساختار کنترل مدل مرجع را با شبکه عصبی بازگشتی پیاده سازی کرده و معادلات لازم برای آموزش شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت را معرفی می کنیم و از این ساختار برای سیستم کنترل فعال نویز بهره گیری می کنیم. در آغاز با یک شبکه عصبی feedforward سیستم را شناسایی کرده و از آن به تنهایی و بدون درنظرگرفتن تاثیر پلنت (مسیر ثانویه) برای حذف نویز بهره گیری می کنیم. در گام بعدی کنترل فعال نویز را با دو شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت برای یک سیستم خطی شبیه سازی نموده و این کنترل کننده را برای دو نوع نویز سفید و نویز موتور مورد مطالعه قرار می دهیم. در انتها، سیستم خطی را با درنظرگرفتن عوامل غیرخطی بلندگو به یک سیستم غیرخطی تغییر داده و قابلیت سیستم کنترل فعال نویز با شبکه عصبی بازگشتی را در یک سیستم غیرخطی به مقصود حذف نویز مورد مطالعه قرار می دهیم.
مقدمه:
نویز یک صوت ناخواسته می باشد. که هر یک دارای یک سطح از قدرت می باشد. نویزهای با قدرت بالا آزاردهنده هستند و می توانند مضراتی برای سلامتی بشر، سیستم های مخابراتی و دیگر سیستم ها داشته باشند. با در نظر داشتن خصوصیات نویز مانند فرکانس و خواص آماری آن مانند تابع خودهمبستگی، روش مناسبی برای آن انتخاب می گردد.
روش کلاسیک حذف نویز، روش غیرفعال می باشد که در آن از عایق بندی صوتی بهره گیری می گردد که برای دسته خاصی از نویزها، آنها که دارای فرکانس بالا می باشند مورد بهره گیری قرار می گیرد. در روش الکترونیکی که همان روش فعال نامیده می گردد از کنترل کننده فعال نویز بهره گیری می گردد که این روش نیز برای نویزهایی با فرکانس پائین مناسب می باشد. در این کنترل کننده، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف می باشد تا بتواند با ترکیب با نویز اولیه آنرا حذف نماید و ایجاد سکوت کند. برای این کار به یک بلندگو که سیگنال کنترلی یا حذف کننده را پخش می کند و یک سنسور برای اندازه گیری خطا احتیاج میباشد. در روش کلاسیک بهره گیری از کنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یک کنترل کننده بهره گیری می گردد. در این روش ها الگوریتم با بهره گیری از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می کند.
در روش هوشمند برای ساختن کنترل کننده به جای فیلتر از شبکه های عصبی بهره گیری می کنیم و به جای الگوریتم های LMS,… از الگوریتم هایی مانند backpropagation, filtered‐X, backpropagation,… بهره گیری می کنیم. شبکه های عصبی به صورت موفقیت آمیزی به مقصود تقریب، شناسایی و کنترل بر روی سیستم های دینامیک اعمال می شوند. شبکه های عصبی به خوبی می توانند در ساختارهای کنترلی نظیر Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ایفای تأثیر کنند. زمانی که از شبکه های عصبی بهره گیری می گردد بایستی آغاز وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد که این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش تعیین می شوند. در مرحله آموزش معمولاً داده های ورودی و خروجی مطلوب برای شبکه عصبی مشخص می گردد. ساختار شبکه عصبی که چگونگی اتصال نرون ها در یک لایه و از لایه ای به لایه دیگر را نشان می دهد بر اساس اندازه سرعت و پیچیدگی و حجم شبکه به وجودآمده تعیین می گردد. ساختارهای متعارف شبکه عصبی ساختار feedforward, recurrent,… می باشند. بعد از زمان آموزش و برای داده های بعدی که به شبکه های عصبی وارد می گردد این خود شبکه می باشد که برای خروجی تصمیم می گیرد. به همین جهت می باشد که شبکه های عصبی جزو روش های هوشمند به شمار می آیند. برای ایجاد یک کنترل کننده فعال نویز با شبکه عصبی بایستی از ساختار Model reference control بهره گیری نمود. در این ساختار دو شبکه عصبی هست. (الف) شبکه عصبی مدل پلنت (ب) شبکه عصبی کنترل کننده.
شبکه مدل پلنت برای در نظر گرفتن تاثیر مسیر ثانویه می باشد و قبل از آموزش شبکه کنترل کننده بایستی آموزش ببیند. از طریق روش شناسایی سیستم، پلنت را مدل می کنیم. کنترل کننده را به گونه ای آموزش می دهیم که بتواند سیگنال آنتی نویزی تولید کند که از پلنت عبور کرده و در عین حال رفتار مدل مرجع را دنبال کند. این شبکه عصبی کنترل کننده با در نظر داشتن مسیری که قرار می باشد نویز طی کند یک سیگنال کنترلی تولید می کند که این سیگنال پس از طی مسیر ثانویه با نویز اصلی ترکیب شده و بایستی بتواند تا حدودی آن را خنثی نماید. از الگوریتم filtered‐x backpropagation برای آموزش کنترل کننده بهره گیری می کنیم. اندازه موفقیت آمیز بودن حذف نویز توسط سنسور خطا اندازه گیری می گردد. شبیه سازی ها را در حالت های مختلف و بر روی یک سیستم داکت با دو ورودی نویز متفاوت انجام می دهیم. همچنین سیستم را در دو حالت خطی و غیرخطی نیز مطالعه خواهیم نمود.
تعداد صفحه : 98
قیمت : 14700 تومان

 

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد کارشناسی ارشد رشته مهندسی برق الکترونیک گرایش قدرت:جایابی بهینه خازن و مولد تولید پراکنده برای کاهش نرخ خرابی جهت بهبود قابلیت اطمینان و کاهش تلفات در سیستمهای توزیع با استفاده از الگوریتم ژنتیک

***

—-

پشتیبانی سایت :       

****         serderehi@gmail.com

دسته‌ها: مهندسی برق

دیدگاهتان را بنویسید