• فهرست مطالب:

 چکیده
1 مقدمه
2 تدوین مسئله و مقدمات
3 معیار سنکرونیزاسیون
4 شبیه سازی

• بخشی از ترجمه:

 بسیاری از سیستم های تاخیری در زمینه های پژوهشی مختلف از جمله زیست شناسی، شیمی، اپتیک غیر خطی، اقتصاد، و اپیدمیولوژی، نامنظم یافت شده اند.
برای مثال، در پیاده سازی سخت افزاری، تاخیرهای زمانی به دلیل سرعت های کلیدزنی محدود ارتباطات رخ می دهد.
تاخیر زمانی ممکن است که منجر به برخی از رفتارهای دینامیکی پیچیده مانند آشوب (بی نظمی)، نوسان، دیورژانس، و بی ثباتی شود.
تعداد کمی گزارش در سنکرونیزاسیون برای سیستم های نامنظم با تاخیرهای متغیر با زمان وجود دارد. در [12]، Lu et.al.، یک طرح تطبیقی برای ثبات و سنکرونیزاسیون سیستم های نامنظم Lure با تاخیرهای متغیر با زمان با استفاده از اصل ثابت معادلات دیفرانسیل کاربردی پیشنهاد کرده است. در حالی که در [22]، Zhen et.al. ، پیشنهاد داده که از مدل کنترل لغزش برای دستیابی به سنکرونیزاسیون سیستم های نامنظم متغیر با زمان استفاده شود. مدل کنترل لغزش سنکرونیزاسیون برای ایجاد بردار اختلال خارجی با حد بالای ناشناخته طراحی شده است. در این مقاله، ما برخی از معیارهای سنکرونیزاسیون سیستم های کوپلینگ با تاخیر متغیر با زمان با استفاده از روش کنترل فیدبک به دست می آوریم. شرایط مشتق شده برای سنکرونیزاسیون به راحتی می تواند تأیید شود.

• بخشی از مقاله انگلیسی:

Introduction. In this paper, we address the complete synchronization of a class of time-varying delayed chaotic systems. Chaos synchronization is a basic focus in nonlinear science due to its extensive applications in secure communications, biological science, neural networks, automatic control, etc. Since the 1990s, chaos control and synchronization have sparked increasing interest of many researchers, and many schemes have been developed. The readers are referred to the review monographs [1],[6], where the authors presented the main ideas involved in the field of chaos synchronization as well as many potential applications. So far, a lot of research on this subject has been done, and many fundamental results have been reported on synchronization and control of chaotic systems by scholars from physics, engineering, biology, and mathematics, etc. Various control schemes have been developed to synchronize chaotic systems such as drive-response, coupling control, adaptive control, feedback control, observer-based control, impulsive control, intermittent control, to name some typical ones. Many delayed systems in various research fields including biology, chemistry, nonlinear optics, economics, and epidemiology, have been found to be chaotic. For instance, in hardware implementation, time delays occur due to finite switching speeds of communications. Time delay may lead to some complex dynamic behaviors such as chaos, oscillation, divergence, and instability. There are rather few reports on the synchronization for chaotic systems with time-varying delays. In [12], Lu et al. proposed an adaptive scheme for stabilization and synchronization of chaotic Lure systems with time-varying delays using the invariant principle of functional differential equations. While in [22], Zhen et al. proposed to use sliding model control to achieve synchronization for time-varying chaotic systems. The sliding model synchronization controller is designed to satisfy the external disturbance vector with an unknown upper bound. In this paper, we obtain some criteria for synchronization of systems with coupling time-varying delays using feedback control. The derived conditions for the synchronization can be easily verified.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تاخیر های کوپلینگ متغیر با زمان در همزمان سازی سیستم های آشوب – مجله CiteSeerX اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
۱ مقدمه
۲ ساختار شبکه ی عصبی تناسبی-انتگرالی-مشتقی
۳ الگوریتم شبکه ی عصبی تناسبی-انتگرالی-مشتقی

۳ ۱ لایه ی ورودی
۳ ۲ لایه ی پنهان
۳ ۳ لایه خروجی
۳ ۴ الگوریتم انتشار روبه عقب

۴ مثال ها

۴ ۱ سیستم یک گامی
۴ ۲ سیستم دو گامی
۴ ۳ عملکرد کنترلر تناسبی-انتگرالی-مشتقی  مرسوم و متدوال

۵ نتایج

بخشی از ترجمه:

 ۱ مقدمه

سیستم های تاخیر زمانی زیادی در فرایندهای صنعتی وجود دارد ولی طراحی کنترلرها برای آن ها سخت است و این سختی به دلیل ویژگی تاخیر زمانی آن ها است. این سیستم ها عموما مخارج کلی بیش تر و زمان تنظیم طولانی تر دارند و پایدار نیستند. در ﺗﺋوری کنترل کلاسیک متد اسمیث  می تواند برای ساختن کنترلرها به کار رود البته اگر تابع انتقال سیستم معلوم باشد. ولی، تابع انتقال یک سیستم در عمل راحت قابل اندازه گیری نیست.
بسیار معروف می باشد که کنترلرهای تناسبی-انتگرالی-مشتقی  مزیت های زیادی دارند و به همین دلیل آن ها به گونه ای بسیار گسترده در زمینه های زیادی از صنعت به ویژه در فرایند های صنایع شیمیایی استفاده می شوند. اگرچه کنترلرهای تناسبی-انتگرالی-مشتقی  قدرت بالایی دارند ولی برای کنترل سیستم های تاخیر زمانی مناسب نیستند زیرا انتخاب پارامترهای P، I و D سخت است.
شبکه های عصبی مصنوعی به دلیل فرایندهای یادگیری می توانند کنترل آداپتیو انجام دهند. ولی مشکلاتی وجود دارد، که بایستی در عمل حل شود. مشکلات اصلی سرعت یادگیری پایین، زمان همگرایی وزنه طولانی و ویژگی نامعلوم می باشد.
شبکه های عصبی تناسبی-انتگرالی-مشتقی  یک نوع جدید از سبکه ها می باشد. این شبکه ها از مزیت های هر دو کنترلر تناسبی-انتگرالی-مشتقی   و ساختار شبکه برخوردار است. این شبکه شامل نورون های تناسبی، انتگرالی و مشتقی می باشد و وزنه های مربوط به آن ها به وسیله ی الگوریتم های انتشار رو به عقب تنظیم می شود. این شبکه می تواند سیستم های مختلف را به دلیل فرایند یادگیری سریع کنترل کند و عملکرد های کامل و خوبی دارد. (شو  در سال ۱۹۹۷، ۱۹۹۸، شو و لی ۱۹۹۸، شو ۱۹۹۹).

5- نتایج:
شبکه ی عصبی تناسبی-انتگرالی-مشتقی یک شبکه ی عصبی چند لایه می باشد و ساختار آن ساده است، شبکه ی عصبی تناسبی-انتگرالی-مشتقی توانایی برای کنترل سیستم های تاخیر زمانی مختلفی دارد و عملکرد خیلی کاملی دارد. با استفاده از شبکه ی عصبی تناسبی-انتگرالی-مشتقی ما نیاز نداریم که پارامترهای سیستم را اندازه گیری یا محاسبه کنیم. کل فرایند تنظیم کردن، به وسیله ی فرایند آداپتیو و خود-یادگیری انجام می شود، شبکه ی عصبی تناسبی-انتگرالی-مشتقی زمان همگرایی کوتاه و سرعت یادگیری سریع دارد و می تواند در فرایند به صورت عملی استفاده شود.

بخشی از مقاله انگلیسی:

1. Introduction

There are a lot of time-delay systems in industry processes but it is difficult to design the controllers for them because the time-delay property. These systems generally have larger overhead, longer adjusting time and are not stable. In classical control theory the Smith method can be used to construct controllers if the transfer function of the system has been known. But, the transfer function of a practical system is not easy to measure or to complete.

As is well known conventional PID controllers have many advantages so that they are most widely used in various fields of the industry, especially in the processes of chemical industry. Although PID controllers have strong abilities they are not suitable for the control of long time-delay systems, in which the P, I, and D parameters are difficult to chose.

Artificial neural networks can perform adaptive control through learning processes. But there are some problems, which should be solved in practice. The main problems are the slow learning speed, the long weight convergence time and uncertain property.

PID neural network (PIDNN) is a new kind of networks. It utilizes the advantages of both PID control and neural structure. It consists of proportional (P), integral (I) and derivative (D) neurons and its weights are adjusted by the back-propagation algorithms. It can control different systems through quick learning process and has perfect performances (Shu, 1997, 1998a,b,c; Shu & Li, 1998; Shu, 1999a,b.

5. Conclusions

PIDNN is a multilayered neural network and its structure is simple. PIDNN has abilities to control different time-delay system and has perfect performance. Using PIDNN we needn’t measure or calculate the system parameters. The whole adjusting process is completed through self-learning and adaptive process. PIDNN has short convergence time and quick learning speed and it can be used in practical process.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله شبکه های عصبی تناسبی، انتگرالی و مشتقی (PID) در سیستم های تاخیر زمانی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.