پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,033 |
| تعداد مشاهده مقاله | 125,502,676 |
| تعداد دریافت فایل اصل مقاله | 98,766,838 |
طراحی دو کلاسه ساز هوشمند MLP وRBF برای تخمین حالت سیستم توزیع و مقایسه خواص آنها | ||
| نشریه دانشکده فنی | ||
| مقاله 2، دوره 33، شماره 4 - شماره پیاپی 1341، اسفند 1378 اصل مقاله (777.14 K) | ||
| نویسندگان | ||
| علیرضا فریدونیان؛ حمید لسانی؛ کارولوکس* | ||
| چکیده | ||
| برای تعیین استراتژی های کنترلی در سیستم توزیع،و انجام تصمیم گیری های لازم توسط سیستم شناسنده الگو،لازم است حالت سیستم توزیع تخمین زده شود . در این سیستم،هر حالت،یک کلاس(دسته)از داده های اندازه گیری شده می باشد که بیانگر وضعیت سیستم در آن لحظه از زمان است. در این مقاله پس از معرفی مساله و بیان نیازهای موجود برای کار مورد نظر و بیان ضرورت تخمین گر حالت،دو تخمین گر با استفاده از شبکه عصبی با تقارن شعاعی و شبکه عصبی پرسپترون چند لایه طراحی و معرفی میشوند و نشان داده میشود که شبکه MLP در این کاربرد خاص کلاسه سازی از شبکه RBF بهتر عمل می نماید. همچنین اثر انواع توزیع داده ها در فضای کلاسه سازی ، انجام عملیات مقیاس نمودن،پیش-پردازش ، نرمالیزه نمودن و نگاشت همدیس روی فضای کلاسه سازی ، اعمال نویز به ورودی سیستم،انتخاب بهینه درجه تابع خطا و کاهش بزرگترین خطای سیستم(نرمl-p) بر یادگیری ،قدرت تعمیم،درونیابی و برونیابی شبکه های عصبی مصنوعی بررسی شده است. در پایان ، برای آزمون کارآیی سیستم طرح شده در عمل، یک مثال عملی روی شبکه استاندارد بهمراه نتایج شبیه سازی آن ارائه شده است. | ||
| کلیدواژه‌ها | ||
| تخمین گر حالت؛ سیستم های توزیع؛ شبکه عصبی با تقارن شعاعی(RBF)؛ شبکه عصبی پرسپترون چند لایه (MLP)؛ کلاسه ساز | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| The state of the power distribution system must be estimated for determining control strategies and making decisions by a pattern recognizer system. In this system, each state is a class of measured data which describes system status in that moment of the time. In this paper two classifier systems are designed and compared using Radial Basis Function (RBF) and Multi Layer Perception (MLP) neural networks. It is shown that MLP performs better than RBF in this’ application. Also the effect of different sorts of data distribution in classification space, scaling operations, preprocessing, normalization, and conformal mappings on the classification space, adding noise to system input, optimum selection of error function order ( its Lebesgue norm) and maximum error reduction on learning, generalization, interpolation and extrapolation of neural networks are studied. Finally, a practical example is presented including simulation results to test performance of designed system | ||
|
آمار تعداد مشاهده مقاله: 2,175 تعداد دریافت فایل اصل مقاله: 1,312 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب