فایل ورد کامل  سیستم کنترلی تطبیقی بر اساس شبکه عصبی برای AUVs

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  سیستم کنترلی تطبیقی بر اساس شبکه عصبی برای AUVs،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

نتیجه گیری

در این مقاله دو نوع سیستم کنترلی مبتنی بر شبکه های عصبی معرفی شد و در مورد کنترل حرکت طولی وسایل نقلیه تست PTEROA به کار رفت.

روش یادگیری با نظارت با یک کنترلر فازی به عنوان ناظر پیاده سازی می شود. نشان داده می شود که مزایای شبکه های عصبی، مانند انعطاف پذیری انتخاب I/O و ویژگیهای اشاغ، اعتدال کارهای کنترلی و پیشرفتی از مقاومت در مقابل مزاحمتها به دست می دهد.

برای کار با دینامیک ناشناخته شی کنترلی و تولید کنترلر مناسب، سیستم یادگیری بی نظارت که SONCS نامیده می شود معرفی شد. SONCS در مساله کنترل وسیله بدون افسار PW45 به کار رفت و در تولید یک کنترلر مناسب برای شنای افقی در یک عمق مطلوب موفق شد. گر چه تعداد زیادی از تکرارها برای پیش از یادگیری و مدلسازی رو به جلو لازم است، نشان داده می شود که تطبیق سریعا به سمت هدف مورد نظر پیش می رود.

شبکه عصبی یک ابزار جذاب برای تشخیص یک سیستم کنترلی است که باید هم خودکار باشد هم بتواند با نامشخص بودن دنیای واقعی کار کند. SONCS یک فهم از سیستم کنترلی تطبیق پذیر مبتنی بر شبکه‌های عصبی است. امید است که قدم اول برای پایه گذاری یک سیستم کنترلی برای وسایل زیر آب باشد که شامل هوش با مهارت می شود.

عنوان انگلیسی:Neural-Network-Based Adaptive Control Systems for AUVs~~en~~

CONCLUDING REMARKS

In this paper two types of neural-network-based control systems are introduced and applied to the longitudinal motion control of the test-bed vehicles of PTEROA, The supervised learning approach is implemented along with a fuzzy controller as a supervisor. It is shown that the advantages of the neural networks, such as flexibility of the I/O selection and saturating characteristics, yield moderation of the control actions and an improvement of the robustness against disturbances. In order to deal with unknown dynamics of the controlled object and generate an appropriate controller, the unsupervised learning system, which is called “SONCS”, is introduced. The SONCS is applied to the control problem of the untethered test-bed vehicle PW45 and has succeeded in generating an appropriate controller for horizontal swimming at a desired depth. Though a large number of iterations are necessary for the pre-learning and the forward modelling, it is shown that the adaptation proceeds quickly to the goal. A neural network is an attractive tool for realization of a control system which is required to be both autonomous and able to deal with uncertainty of the real world. The SONCS is one realization of the neuralnetwork-based adaptive control system. It is hoped that this is the first step to the establishment of an ideal control system for underwater vehicles, which includes skilled intelligence.

$$en!!