| عنوان فارسی مقاله: | دیدگاه شبکه ی عصبی دینامیکی برای مدل سازی فرایند غیرخطی |
| عنوان انگلیسی مقاله: | A DYNAMIC NEURAL NETWORK APPROACH TO NONLINEAR PROCESS MODELING |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 1997 |
| تعداد صفحات مقاله انگلیسی | 15 صفحه |
| تعداد صفحات ترجمه مقاله | 32 صفحه |
| مجله | مهندسی شیمی و کامپیوتر |
| دانشگاه | پوردو کشور امریکا |
| کلمات کلیدی | شبکه های عصبی دینامیکی. سیستم های غیر خطی. فرآیند شناسایی |
| نشریه الزویر | Elsevier |
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
تشکر
بخشی از ترجمه:
۱ مقدمه
فرصت ها برای متدولوژی مهندسی فرایند جدید که از سیستم های کنترل بیولوژیکی الهام گرفته شده است، توجهات رو به افزایشی را جلب کرده است. مشوق و انگیزه ی زیادی برای به کارگرفتن مکانیزم های قوی و کارامد محاسباتی سیستم های فرایند نورونی عصبی وجود دارد تا ابزارهای مدل سازی و کنترل را بهبود ببخشند. انگیزه برای این هدف از تجزیه و تحلیل مشابهت های بی شمار در جنبه های دینامیکی سیستم های بیولوژیکی و فرایندی و همچنین مشابهت ها در نیازمندی های عملکردی دنبال می شود (هنسن و همکاران در سال ۱۹۹۴، استارک در سال ۱۹۹۳).
اگرچه جزییات هنوز فهمیده نشده است، ولی اقرار شده است که سیستم های کنترلی بیولوژیکی کنترل قوی پایداری از واحدهای به شدت غیرخطی فراهم می کنند (هنسن و همکاران در سال ۱۹۹۴). به علاوه، این سیستم های کنترلی تحت شرایط بدی از قبیل آسیب و یا ضرر بزرگ سنسور، به درستی کار می کنند. مشاهده شده است که اقدامات کنترلی درگیر عملکرد مکانیزم های کنترلی متفاوتی می شود، ولی نسبتا در مقیاس زمان کوتاه به پاسخ مطلوب می رسند. سیستم عصبی مرکزی (CNS) به عنوان مرکز کنترل اصلی این مکانیزم های کنترلی به کار گرفته می شوند و فعالیت های کنترلی متفاوتی از سیستم های بیولوژیکی تعدیل می کند.
مولفه ی اصلی سیستم عصبی مرکزی نورون می باشد، که مسئول انتقال سریع و دزست اطلاعات بین سیستم عصبی مرکزی و مابقیه ی پیکره می باشد. بنابراین، یک تجزیه و تحلیل جزیی از تابعیت نورون- چگونه نورون اطلاعات را کدگذاری می کند و انتقال می دهد- دید و بینش به ماهیت این سیسم های محاسباتی بیولوژیکی بسیار کارامد را افزایش می دهد. همراه کردن این مفاهیم با قوانین مهندسی می تواند مهندسی معکوس المان های محاسباتی بیولوژیکی برای کاربردهای کنترلی و مدل سازی فرایند را قادر سازد.
5. نتایج
در این مقاله، یک المان دینامیک ساده برای استفاده در معماری های شبکه ارائه شده است تا سیستم های فرایند را مدل کند. این نورون دینامیک با بیولوژی تحریک شده است و نشان داده شده است که توانمند در گرفتن یک محدوده ی غنی از رفتار دینامیک غیرخطی می باشد. یک روند شناسایی رسمی برای این مدل خلاصه شده است، که شامل سه مرحله می باشد: (i) شناسایی خطی (ورودی دامنه کوتاه) برای اهداف خطی سازی، (ii) شناسایی جستجوی تصادفی برای پارامترهای غیرخطی و (iii) یک جستجوی نزول گرادیان برای پیدا کردن مینیمم موضعی. به علاوه، نشان داده شده است که معماری مطرح شده می تواند به آسانی در متدولوژی کنترل برپایه¬ی مدل (IMC) انجام شود تا یک کنترلر غیرخطی برپایه ی مدل را نتیجه بدهد. دو تا حالت از فرایند ارائه شده است تا عملکرد بهتر دیدگاه مطرح شده را نسبت به هر دو مدل خطی ساده و شبکه های عصبی مصنوعی فیدفروارد سنتی نشان دهد.
دستورالعمل های تحقیقی آینده شامل کاربرد الگوریتم های نزول گرادیان می باشد تا مدل های شبکه را آموزش دهد. به علاوه، کاربردهای پیجیده تر فرایند اخیرا در دست بررسی است و ترکیب کنترلرهای خطی کننده¬ی بازخوردی ورودی/خروجی فرمول بندی شده است.
بخشی از مقاله انگلیسی:
I. INTRODUCTION
The opportunities for novel process engineering methodologiesinspired by biological control systems hasreceived increasing attention. There remains a greatincentive to exploit the highly efficient and robustcomputational mechanisms of natural neuronal processingsystems in an effort to improve the tools of processmodeling and control. The motivation for this goalfollows from an analysis of the numerous parallels in thedynamic attributes of process and biological systems, aswell as the parallels in the performance requirements(Henson et al., 1994; Stark, 1993).Although the details are not well understood, it isacknowledged that biological control systems providerobustly stable control of highly nonlinear plants(Henson et al,, 1994). Furthermore, these controlsystems function properly under such adverse conditionsas major sensor damage and/or loss. It is observed thatthe control actions involve many regulatory mechanismsoperating on different, but relatively short, time scales toachieve the desired response. The central nervoussystem (CNS) serves as the main control center for theseregulatory mechanisms and coordinates the variouscontrol activities of biological systems.The fundamental component of the central nervoussystem is the neuron, which is responsible for the rapidand accurate transfer of information between the CNSand the other parts of the body. Hence, a detailedanalysis of neuron functionality–how it encodes andtransmits information–will lead to increased insightinto the nature of these highly efficient biologicalcomputational systems, The coupling of these concepts with engineering principles can enable a reverse engineeringof the biological computational elements tbrprocess modeling and control applications.1.1. Previous approaches to dynamic neural networksOne of the more popular applications of biologicalunderstanding to engineering has been the artificialneural network. Static or feedforward artificial neuralnetworks (FANNs) have emerged as useful tools inchemical engineering systems applications including: (i)steady state modeling; (ii) steady state planning and; (iii)steady state optimization (for representative referencessee MacGregor et al. (1991) on the connection tostandard statistical regression tools; Pollard et al. (1991)on process identification and control). All of the aboverepresent highly nonlinear but static (steady state)problems. In reality, chemical process operations arehighly nonlinear as well as highly dynamic, and thusnetworks structures must be modified in other toproperly model dynamic systems.FANNs have been used as the static nonlinearity inHammerstein and Wiener models (Montague et al.,1991; Narenda and Parthasarathy, 1990) to model highlynonlinear, dynamic systems. The FANN is placed in series with a linear dynamic element to capture nonlineardynamics. There are, however, processes in which thedominant nonlinearities cannot be separated as a distinctstatic element, thus there is a motivation to pursue amore general approach.One approach for introducing dynamics borrows fromclassical time series analysis (Morris et al., 1994). Theidea is to replace static input/output data with appropriatetime histories over a window of discrete times.
| عنوان فارسی مقاله: | دیدگاه شبکه ی عصبی دینامیکی برای مدل سازی فرایند غیرخطی |
| عنوان انگلیسی مقاله: | A DYNAMIC NEURAL NETWORK APPROACH TO NONLINEAR PROCESS MODELING |