تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود ترجمه مقاله رویکرد شبکه عصبی دینامیک در مدل سازی فرایند غیرخطی – مجله الزویر

عنوان فارسی: دیدگاه شبکه ی عصبی دینامیکی برای مدل سازی فرایند غیرخطی
عنوان انگلیسی: A DYNAMIC NEURAL NETWORK APPROACH TO NONLINEAR PROCESS MODELING
تعداد صفحات مقاله انگلیسی : 15 تعداد صفحات ترجمه فارسی : 32
سال انتشار : 1997 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 3274 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.76Mb
رشته های مرتبط با این مقاله: شیمی و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی فرآیند و هوش مصنوعی
مجله: مهندسی شیمی و کامپیوتر
دانشگاه: دانشکده مهندسی شیمی، دانشگاه پوردو، ایالات متحده آمریکا
کلمات کلیدی: شبکه های عصبی دینامیکی. سیستم های غیر خطی. فرآیند شناسایی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

۱ مقدمه

۱ ۱ دیدگاه های گذشته در رابطه با شبکه های عصبی دینامیکی

۲ ساختار شبکه ی عصبی دینامیکی

۲ ۱ ساختار نورون تجربی

۲ ۲ معماری شبکه

۲ ۳ ویژگی های ریاضی از مدل های شبکه ی مطرح شده

۲ ۳ ۱ پیشنهاد ۱ (تک لایه ی ANNفیدفروارد)

۲ ۳ ۲ پیشنهاد ۲ (تک لایه ی کاملا بازگشتی RDNN)

۲ ۳ ۳ نتایج برای تک لایه ی ANN فیدفروارد

۲ ۳ ۴ نتایج برای تک لایه ی کاملا بازگشتی RDNN

۲ ۴ شناسایی پارامتر شبکه

۲ ۵ روند شناسایی اصلاح شده

۳ نتایج شبیه سازی

۳ ۱ حالت شماره ی ۱

۳ ۲ حالت شماره ی ۲

۴ طراحی کنترلر برپایه ی مدل

۵ نتایج

نمونه متن انگلیسی

Abstract

The use of feedforward neural networks for process modeling has proven very successful for steadystate applications, but suitable applications for dynamic systems are still being studied. A novel approach is presented in this paper which uses intrinsically dynamic neurons inspired from biological control systems as the processing elements in network architectures. This results in a network which incorporates dynamic elements with continuous feedback. Two case studies show that the recurrent dynamic neuron network (RDNN) does an excellent job of predicting nonlinearities such as asymmetric dynamic response. In addition, the RDNN significantly outperforms linear models and more traditional neural network models for open-loop simulations. Finally it is shown how this RDNN model can be used in model-based control architectures, such as internal model control.

نمونه متن ترجمه

چکیده

استفاده از شبکه های عصبی فیدفروارد برای مدل سازی فرایند در کاربردهای جریان حالت پایا به گونه ای موفقیت آمیزی اثبات شده است، اما کاربردهای مناسب برای سیستم های دینامیکی هنوز مطالعه می شود. یک دیدگاه جدید در این مقاله مطرح شده است که از نورون های ذاتا دینامیکی استفاده می کند که از کنترل سیستم های بیولوژیکی به عنوان المان های فرایندی در ساختار شبکه ها الهام گرفته شده است. این نتایج در یک شبکه شامل المان های دینامیکی با بازخوردهای پیوسته می باشد. دو تا حالت مطالعه شده نشان می دهد که شبکه ی نورون دینامیکی بازگشت کننده (RDNN) یک کار عالی از پیش بینی غیرخطی ها از قبیل پاسخ دینامیکی غیرمتقارن انجام می دهد. به علاوه، شبکه ی نورون دینامیکی بازگشت کننده به طور چشمگیری نسبت به مدل های خطی و مدل های شبکه ی عصبی مرسوم برای شبیه سازی حلقه باز، عملکرد بهتری نشان می دهد. در نهایت، نشان داده شده است که مدل شبکه ی نورون دینامیکی بازگشت کننده در ساختار کنترل برپایه ی مدل از قبیل کنترل مدل داخلی می تواند استفاده شود.