فایل ورد کامل نمونه پیش بینی کننده مدل غیرخطی مقاوم از دیابت قند

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل نمونه پیش بینی کننده مدل غیرخطی مقاوم از دیابت قند،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۸ صفحه

چکیده

هدف این مقاله ارائه کردن فرصت طراحی کنترل کننده ی کنترل پیش بینی کننده ی ی مدل غیر خطی بوده و نتایج در سه شبیه سازی کامپیوتری ارائه شده است که در این شبیه سازی ها یک مدل گلوکز غیر خطی باید کنترل شود و یک سطح گلوکز مطلوب باید حفظ شود. مدل گلوکز انتخاب شده یک مدل تفکیک شده غیر خطی با تاخیر زمانی میباشد که پارامتر های آن همراه با عدم قطعیت میباشد. میتوان بدون کاهش شدید گلوکز خونی، سطح گلوکز خون را در گستره ی مورد نظر نگاه داشت. در سومین سناریوی تست، در طول شبیه سازی یک روز کامل، % از افزایش گلوکز خون در روز بین , – mmol/l قرار داشت. عملکرد و کران های محاسباتی که در این شرایط وجود دارند، مورد بررسی قرار گرفته و راه حل های احتمالی نیز در انتهای این مقاله ارائه میشود.

جمع بندی

در بخش های قبلی، سه سناریو مختلف تست شده و نتایج آن به صورت زیر نشان داده شده است. به صورت کلی، این نتایج رضایت بخش هستند. کنترل کننده ی مقاوم میتواند تاثیرات های اختلال های خارجی و داخلی و عدم قطعیت را جبران کند، ازین رو میتواند سطح BG را در یک ناحیه ی قابل قبول فیزیولوژیک حفظ کند بدون این که سیگنال به صورت خطرناک افزایش یا کاهش داشته باشد. در طرف دیگر، نتایج این تست ها موجب چند مشکل میشود. مشخصه های عدم قطعیت در این سیستم منجر به رشد سریع زمان محاسبه حتی در مورد افق پیش بینی میشود. این موضوع به صورت شدید بر روی توانایی های پیش بینی کنترل کننده تاثیر میگذارد، و منجر به ایجاد سیستم فازی BG میشود که با کاهش سیگنال به صورت مکرر رو به رو میشود. سپس بهبود های احتمالی وجود دارد که میتواند به حل این مشکل کمک کند : در نظر داشتن مدل گلوکز دیگر، میتواند موجب بهبود شرایط شود. با انتخاب کردن یک مدل مناسب گلوکز ، این مسئله ی بهینه سازی مقاوم میتواند به صورتی که مسئله ی ساده تر تبدیل شود که میتوان آن را راحت تر حل کرد.

عنوان انگلیسی:Robust Nonlinear Model Predictive Control of Diabetes Mellitus~~en~~

Abstract

The purpose of this paper is to present a Robust Nonlinear Model Predictive Control controller design opportunity and the results of three in silico test scenarios, where a nonlinear glucose model had to be controlled, and a desired blood glucose level had to be maintained. The chosen glucose model was a two compartmental, nonlinear model with time delay whose parameters were burdened with uncertainty. During the three test scenarios the controller performed well. It could keep the blood glucose level in the desired range without dangerous undershoots. In the third test scenario, during the simulation of 28 full days, 80% of the daily extremes lied between 5,5-10 mmol/l. The performance and computational bounds that are present at the moment are addressed and possible solutions are given at the end of the paper.

VI- CONCLUSION

In the previous section three different scenarios have been tested and the results have been showed. In general the results are satisfactory. The robust controller could compensate the effects of the external and internal disturbances and uncertainties, thus keeping the BG level in a physiologically acceptable region without dangerous overor undershoots. On the other hand the test results raise some issues. The characteristics of the uncertainties in the system cause rapid growth of computational time even in case of short prediction horizons. This severely affects the prediction abilities of the controller, resulting in a ”‘fuzzy”’ BG signal, with frequent undershoots. There are possible improvements that may help to solve this issue: considering another glucose model is one of them. With an appropriately chosen glucose model the robust optimization problem might fall into a simpler problem category, that could be solved more easily.

$$en!!