نوشته شده توسط : admin

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

“M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – کنترل

عنوان:

طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال با استفاده از روش های هوشمند

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود

تکه هایی از متن به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده:

در این پایان نامه ابتدا به بررسی نویز و خواص آماری آن که اثر مستقیم بر روی قابلیت پیشگویی سیگنال دارد، می پردازیم. ساختار کنترل فعال نویز با دو چیدمان فیدبک و feedforward را توضیح می دهیم. پس از آن ساختار فیلترها و الگوریتم حاکم بر آنها و چگونگی تعیین ضرایب فیلترها در کنترل کننده ها و همچنین الگوریتم FX‐LMS در ساختار کنترل فعال نویز feedforward به طور کامل توضیح داده می شود. در ادامه به بررسی شبکه های عصبی و کاربرد آنها در ساختارهای کنترلی پرداخته و نوع feedforward و بازگشتی شبکه عصبی به همراه معادلات، تعداد ضرایب و خصوصیاتشان بیان می شود. پس از معرفی شبکه های عصبی به بررسی کاربرد آنها در ساختارهای کنترلی پرداخته و در ادامه ساختار کنترل مدل مرجع را با شبکه عصبی بازگشتی پیاده سازی کرده و معادلات لازم برای آموزش شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت را معرفی می کنیم و از این ساختار برای سیستم کنترل فعال نویز استفاده می کنیم. در ابتدا با یک شبکه عصبی feedforward سیستم را شناسایی کرده و از آن به تنهایی و بدون درنظرگرفتن تاثیر پلنت (مسیر ثانویه) برای حذف نویز استفاده می کنیم. در گام بعدی کنترل فعال نویز را با دو شبکه عصبی کنترل کننده و شبکه عصبی مدل پلنت برای یک سیستم خطی شبیه سازی نموده و این کنترل کننده را برای دو نوع نویز سفید و نویز موتور مورد بررسی قرار می دهیم. در انتها، سیستم خطی را با درنظرگرفتن عوامل غیرخطی بلندگو به یک سیستم غیرخطی تبدیل کرده و قابلیت سیستم کنترل فعال نویز با شبکه عصبی بازگشتی را در یک سیستم غیرخطی به منظور حذف نویز مورد مطالعه قرار می دهیم.

مقدمه:

نویز یک صوت ناخواسته می باشد. که هر یک دارای یک سطح از قدرت می باشد. نویزهای با قدرت بالا آزاردهنده هستند و می توانند مضراتی برای سلامتی انسان، سیستم های مخابراتی و دیگر سیستم ها داشته باشند. با توجه به خصوصیات نویز مانند فرکانس و خواص آماری آن مانند تابع خودهمبستگی، روش مناسبی برای آن انتخاب می شود.

روش کلاسیک حذف نویز، روش غیرفعال است که در آن از عایق بندی صوتی استفاده می شود که برای دسته خاصی از نویزها، آنها که دارای فرکانس بالا می باشند مورد استفاده قرار می گیرد. در روش الکترونیکی که همان روش فعال نامیده می شود از کنترل کننده فعال نویز استفاده می شود که این روش نیز برای نویزهایی با فرکانس پائین مناسب است. در این کنترل کننده، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف است تا بتواند با ترکیب با نویز اولیه آنرا حذف نماید و ایجاد سکوت کند. برای این کار به یک بلندگو که سیگنال کنترلی یا حذف کننده را پخش می کند و یک سنسور برای اندازه گیری خطا احتیاج میباشد. در روش کلاسیک استفاده از کنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یک کنترل کننده استفاده می شود. در این روش ها الگوریتم با استفاده از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می کند.

در روش هوشمند برای ساختن کنترل کننده به جای فیلتر از شبکه های عصبی استفاده می کنیم و به جای الگوریتم های LMS,… از الگوریتم هایی مانند backpropagation, filtered‐X, backpropagation,… استفاده می کنیم. شبکه های عصبی به صورت موفقیت آمیزی به منظور تقریب، شناسایی و کنترل بر روی سیستم های دینامیک اعمال می شوند. شبکه های عصبی به خوبی می توانند در ساختارهای کنترلی نظیر Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ایفای نقش کنند. زمانی که از شبکه های عصبی استفاده می شود باید ابتدا وزن ها، بایاس ها، تعداد نرون ها، لایه ها، تعداد ورودی و خروجی مشخص گردد که این وزن ها و بایاس ها توسط الگوریتم های آموزشی و داده های آموزشی در مرحله آموزش تعیین می شوند. در مرحله آموزش معمولاً داده های ورودی و خروجی مطلوب برای شبکه عصبی مشخص می شود. ساختار شبکه عصبی که چگونگی اتصال نرون ها در یک لایه و از لایه ای به لایه دیگر را نشان می دهد بر اساس میزان سرعت و پیچیدگی و حجم شبکه بوجود آمده تعیین می شود. ساختارهای متعارف شبکه عصبی ساختار feedforward, recurrent,… می باشند. بعد از زمان آموزش و برای داده های بعدی که به شبکه های عصبی وارد می شود این خود شبکه است که برای خروجی تصمیم می گیرد. به همین جهت است که شبکه های عصبی جزو روش های هوشمند به شمار می آیند. برای ایجاد یک کنترل کننده فعال نویز با شبکه عصبی باید از ساختار Model reference control استفاده نمود. در این ساختار دو شبکه عصبی وجود دارد. (الف) شبکه عصبی مدل پلنت (ب) شبکه عصبی کنترل کننده.

شبکه مدل پلنت برای در نظر گرفتن تاثیر مسیر ثانویه است و قبل از آموزش شبکه کنترل کننده باید آموزش ببیند. از طریق روش شناسایی سیستم، پلنت را مدل می کنیم. کنترل کننده را به گونه ای آموزش می دهیم که بتواند سیگنال آنتی نویزی تولید کند که از پلنت عبور کرده و در عین حال رفتار مدل مرجع را دنبال کند. این شبکه عصبی کنترل کننده با توجه به مسیری که قرار است نویز طی کند یک سیگنال کنترلی تولید می کند که این سیگنال پس از طی مسیر ثانویه با نویز اصلی ترکیب شده و باید بتواند تا حدودی آن را خنثی نماید. از الگوریتم filtered‐x backpropagation برای آموزش کنترل کننده استفاده می کنیم. میزان موفقیت آمیز بودن حذف نویز توسط سنسور خطا اندازه گیری می شود. شبیه سازی ها را در حالت های مختلف و بر روی یک سیستم داکت با دو ورودی نویز متفاوت انجام می دهیم. همچنین سیستم را در دو حالت خطی و غیرخطی نیز بررسی خواهیم نمود.

برای دانلود متن کامل پایان نامه اینجا کلیک کنید.





لینک بالا اشتباه است

برای دانلود متن کامل اینجا کلیک کنید

       
:: بازدید از این مطلب : 361
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0
تاریخ انتشار : دو شنبه 4 مرداد 1395 | نظرات ()
مطالب مرتبط با این پست
لیست
می توانید دیدگاه خود را بنویسید


نام
آدرس ایمیل
وب سایت/بلاگ
:) :( ;) :D
;)) :X :? :P
:* =(( :O };-
:B /:) =DD :S
-) :-(( :-| :-))
نظر خصوصی

 کد را وارد نمایید:

آپلود عکس دلخواه: