مقاله ترجمه شده درباره سیستم های کنترلی تطبیق پذیر مبتنی بر شبکه های عصبی برای AUVs
مشخصات مقاله:
عنوان فارسی مقاله:
سیستم های کنترلی تطبیق پذیر مبتنی بر شبکه های عصبی برای AUVs
عنوان انگلیسی مقاله:
Neural-Network-Based Adaptive Control Systems for AUVs
کلمات کلیدی مقاله:
کنترل تطبیق پذیر، خود سازماندهی، کنترل یادگیری، کنترل حرکت هوشمند، انتشار رو به عقب خطا، شبکه-های عصبی، وسایل نقلیه زیر آبی، شبکه های عصبی چند لایه، یادگیری با نظارت و بدون نظارت، مقاومت، کنترل فازی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
مقدمه
شبکه های عصبی چند لایه
سیستم یادگیری با نظارت
یادگیری با نظارت برای PTEROA60
یادگیری با نظارت برای PTEROA60
مقاومت در برابر مزاحمت‌ها
سیستم یادگیری بدون نظارت
ارزیابی و تطبیق پذیری
فرایند سازماندهی کنترلر
SONCS برای بستر تست کوچک PW45
کنترل فازی اولیه
پیش از یادگیری کنترلر
مدل رو به جلو
ارزیابی و تخمین
نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
INTRODUCTION
The basic concept of artificial neural networks originated from the efforts to model brain behaviors in the 1940’s.1 In the past decade their fascinating characteristics as an information processing tool have been demonstrated, especially in the field of pattern recognition and optimization problems. 2-4 Their distinctive features depend on massive parallelism, nonlinear operation and learning ability. As artificial neural networks execute through parallel distributed processes, they can deal with multi-input multi-output (MIMO) systems like Autonomous Underwater Vehicles (AUVs). It is expected that they can follow the nonlinearity of the hydrodynamic forces acting on the vehicle body and the complex interactions between the thrusters, the control surfaces, etc. Moreover, even if the system dynamics are unknown or difficult to represent mathematically, they may be able to handle these kind of complex dynamics adaptively using their learning ability. Since AUVs are operated in an unstructured environment, these features are attractive for an intelligent control system.
مقدمه
مفهوم پایه شبکه های عصبی مصنوعی از تلاش‌هایی که برای مدلسازی رفتارهای مغز در دهه 1940 انجام شد نشأت گرفت. در دهه گذشته، ویژگیهای جالب آنها به عنوان یک ابزار پردازش داده به ویژه در زمینه مسائل شناسایی الگو و بهینه سازی نشان داده شد. ویژگیهای شاخص آنها به موازی سازی زیاد، عملیات غیرخطی و توانایی یادگیری وابسته است.
چون شبکه های عصبی مصنوعی با فرایندهای توزیع شده موازی اجرا می شود، می توانند با سیستمهای چند ورودی-چند خروجی (MIMO) مانند دستگاههای خودکار زیرآبی (AUV) کار کنند. انتظار می رود که آنها بتوانند غیرخطی بودن نیروهای هیدرودینامیک که به بدنه دستگاه اعمال می شود و تعاملات پیچیده بین پرتابگرها، سطوح کنترلی و غیره را دنبال کنند. علاوه بر این، حتی اگر دینامیک سیستم ناشناخته باشد یا نمایش آن به صورت ریاضی دشوار باشد، ممکن است آنها بتوانند به این نوع دینامیک پیچیده را به صورت تطبیق¬پذیر با استفاده از توانایی یادگیری خود رسیدگی کنند. به دلیل اینکه AUV ها در یک محیط ساختارنیافته به کار گرفته می شوند، این ویژگیها برای یک سیستم کنترلی هوشمند جذاب است.
