دانلود فایل تحقیق : پایان نامه ارشد مهندسی برق کنترل: طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال

دانلود پایان نامه

با عنوان : طراحی فیلتر تطبیقی غیرخطی جهت کنترل نویز فعال با بهره گیری از روش های  هوشمند

در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید

و در صورت نیاز به متن کامل آن می توانید از لینک پرداخت و دانلود آنی برای خرید این پایان نامه اقدام نمائید.

دانشگاه آزاد اسلامي

واحد تهران جنوب

دانشكده تحصيلات تكميلي

“M.Sc” پايان نامه براي دريافت درجه كارشناسي ارشد

مهندسي برق – كنترل

عنوان:

طراحي فيلتر تطبيقي غيرخطي جهت كنترل نويز فعال با بهره گیری از روش هاي هوشمند

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

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

تکه هایی از متن به عنوان نمونه :

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

چكيده:

در اين پايان نامه آغاز به بررسي نويز و خواص آماري آن كه اثر مستقيم بر روي قابليت پيشگويي سيگنال دارد، مي پردازيم. ساختار كنترل فعال نويز با دو چيدمان فيدبك و feedforward را توضيح مي دهيم. پس از آن ساختار فيلترها و الگوريتم حاكم بر آنها و چگونگي تعيين ضرايب فيلترها در كنترل كننده ها و همچنين الگوريتم FX‐LMS در ساختار كنترل فعال نويز feedforward به گونه كامل توضيح داده مي گردد. در ادامه به بررسي شبكه هاي عصبي و كاربرد آنها در ساختارهاي كنترلي پرداخته و نوع feedforward و بازگشتي شبكه عصبي به همراه معادلات، تعداد ضرايب و خصوصياتشان بيان مي گردد. پس از معرفي شبكه هاي عصبي به بررسي كاربرد آنها در ساختارهاي كنترلي پرداخته و در ادامه ساختار كنترل مدل مرجع را با شبكه عصبي بازگشتي پياده سازي كرده و معادلات لازم براي آموزش شبكه عصبي كنترل كننده و شبكه عصبي مدل پلنت را معرفي مي كنيم و از اين ساختار براي سيستم كنترل فعال نويز بهره گیری مي كنيم. در آغاز با يك شبكه عصبي feedforward سيستم را شناسايي كرده و از آن به تنهايي و بدون درنظرگرفتن تاثير پلنت (مسير ثانويه) براي حذف نويز بهره گیری مي كنيم. در گام بعدي كنترل فعال نويز را با دو شبكه عصبي كنترل كننده و شبكه عصبي مدل پلنت براي يك سيستم خطي شبيه سازي نموده و اين كنترل كننده را براي دو نوع نويز سفيد و نويز موتور مورد بررسي قرار مي دهيم. در انتها، سيستم خطي را با درنظرگرفتن عوامل غيرخطي بلندگو به يك سيستم غيرخطي تبديل كرده و قابليت سيستم كنترل فعال نويز با شبكه عصبي بازگشتي را در يك سيستم غيرخطي به مقصود حذف نويز مورد مطالعه قرار مي دهيم.

مقدمه:

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

نويز يك صوت ناخواسته مي باشد. كه هر يك داراي يك سطح از قدرت مي باشد. نويزهاي با قدرت بالا آزاردهنده هستند و مي توانند مضراتي براي سلامتي بشر، سيستم هاي مخابراتي و ديگر سيستم ها داشته باشند. با در نظر داشتن خصوصيات نويز مانند فركانس و خواص آماري آن مانند تابع خودهمبستگي، روش مناسبي براي آن انتخاب مي گردد.

روش كلاسيك حذف نويز، روش غيرفعال می باشد كه در آن از عايق بندي صوتي بهره گیری مي گردد كه براي دسته خاصي از نويزها، آنها كه داراي فركانس بالا مي باشند مورد بهره گیری قرار مي گيرد. در روش الكترونيكي كه همان روش فعال ناميده مي گردد از كنترل كننده فعال نويز بهره گیری مي گردد كه اين روش نيز براي نويزهايي با فركانس پائين مناسب می باشد. در اين كنترل كننده، هدف ايجاد نويزي برابر با نويز اصلي و فاز مخالف می باشد تا بتواند با تركيب با نويز اوليه آنرا حذف نمايد و ايجاد سكوت كند. براي اين كار به يك بلندگو كه سيگنال كنترلي يا حذف كننده را پخش مي كند و يك سنسور براي اندازه گيري خطا احتياج ميباشد. در روش كلاسيك بهره گیری از كنترل نويز فعال، از فيلترهاي تطبيقي با ساختارهايي مانند FIR, IIR, Ladder,… و از الگوريتم هايي مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن يك كنترل كننده بهره گیری مي گردد. در اين روش ها الگوريتم با بهره گیری از معيارهايي مانند بيشترين شيب نزولي ضرايب فيلترها را تعيين مي كند.

در روش هوشمند براي ساختن كنترل كننده به جاي فيلتر از شبكه هاي عصبي بهره گیری مي كنيم و به جاي الگوريتم هاي LMS,… از الگوريتم هايي مانند backpropagation, filtered‐X, backpropagation,… بهره گیری مي كنيم. شبكه هاي عصبي به صورت موفقيت آميزي به مقصود تقريب، شناسايي و كنترل بر روي سيستم هاي ديناميك اعمال مي شوند. شبكه هاي عصبي به خوبي مي توانند در ساختارهاي كنترلي نظير Model predictive control , Adaptive inverse control , Nonlinear model control, Model reference control ايفاي تأثیر كنند. زماني كه از شبكه هاي عصبي بهره گیری مي گردد بايد آغاز وزن ها، باياس ها، تعداد نرون ها، لايه ها، تعداد ورودي و خروجي مشخص گردد كه اين وزن ها و باياس ها توسط الگوريتم هاي آموزشي و داده هاي آموزشي در مرحله آموزش تعيين مي شوند. در مرحله آموزش معمولاً داده هاي ورودي و خروجي مطلوب براي شبكه عصبي مشخص مي گردد. ساختار شبكه عصبي كه چگونگي اتصال نرون ها در يك لايه و از لايه اي به لايه ديگر را نشان مي دهد بر اساس ميزان سرعت و پيچيدگي و حجم شبكه به وجودآمده تعيين مي گردد. ساختارهاي متعارف شبكه عصبي ساختار feedforward, recurrent,… مي باشند. بعد از زمان آموزش و براي داده هاي بعدي كه به شبكه هاي عصبي وارد مي گردد اين خود شبكه می باشد كه براي خروجي تصميم مي گيرد. به همين جهت می باشد كه شبكه هاي عصبي جزو روش هاي هوشمند به شمار مي آيند. براي ايجاد يك كنترل كننده فعال نويز با شبكه عصبي بايد از ساختار Model reference control بهره گیری نمود. در اين ساختار دو شبكه عصبي هست. (الف) شبكه عصبي مدل پلنت (ب) شبكه عصبي كنترل كننده.

شبكه مدل پلنت براي در نظر گرفتن تاثير مسير ثانويه می باشد و قبل از آموزش شبكه كنترل كننده بايد آموزش ببيند. از طريق روش شناسايي سيستم، پلنت را مدل مي كنيم. كنترل كننده را به گونه اي آموزش مي دهيم كه بتواند سيگنال آنتي نويزي توليد كند كه از پلنت عبور كرده و در عين حال رفتار مدل مرجع را دنبال كند. اين شبكه عصبي كنترل كننده با در نظر داشتن مسيري كه قرار می باشد نويز طي كند يك سيگنال كنترلي توليد مي كند كه اين سيگنال پس از طي مسير ثانويه با نويز اصلي تركيب شده و بايد بتواند تا حدودي آن را خنثي نمايد. از الگوريتم filtered‐x backpropagation براي آموزش كنترل كننده بهره گیری مي كنيم. ميزان موفقيت آميز بودن حذف نويز توسط سنسور خطا اندازه گيري مي گردد. شبيه سازي ها را در حالت هاي مختلف و بر روي يك سيستم داكت با دو ورودي نويز متفاوت انجام مي دهيم. همچنين سيستم را در دو حالت خطي و غيرخطي نيز بررسي خواهيم نمود.

تعداد صفحه : 98

قیمت : 14700 تومان

 

***

—-

پشتیبانی سایت :       

———-          [email protected]

این نوشته در مهندسی برق ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید