متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق

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

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

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشكده تحصیلات تكمیلی

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

مهندسی برق – كنترل

عنوان:

طراحی فیلتر تطبیقی غیرخطی جهت كنترل نویز فعال با بهره گرفتن 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)

چكیده:

در این پایان نامه ابتدا به بررسی نویز و خواص آماری آن كه اثر مستقیم بر روی قابلیت پیشگویی سیگنال دارد، می پردازیم. ساختار كنترل فعال نویز با دو چیدمان فیدبك و feedforward را توضیح می دهیم. پس از آن ساختار فیلترها و الگوریتم حاكم بر آنها و چگونگی تعیین ضرایب فیلترها در كنترل كننده ها و همچنین الگوریتم FX‐LMS در ساختار كنترل فعال نویز feedforward به طور كامل توضیح داده می شود. در ادامه به بررسی شبكه های عصبی و كاربرد آنها در ساختارهای كنترلی پرداخته و نوع feedforward و بازگشتی شبكه عصبی به همراه معادلات، تعداد ضرایب و خصوصیاتشان بیان می شود. پس از معرفی شبكه های عصبی به بررسی كاربرد آنها در ساختارهای كنترلی پرداخته و در ادامه ساختار كنترل مدل مرجع را با شبكه عصبی بازگشتی پیاده سازی كرده و معادلات لازم برای آموزش شبكه عصبی كنترل كننده و شبكه عصبی مدل پلنت را معرفی می كنیم و از این ساختار برای سیستم كنترل فعال نویز استفاده می كنیم. در ابتدا با یك شبكه عصبی feedforward سیستم را شناسایی كرده و از آن به تنهایی و بدون درنظرگرفتن تاثیر پلنت (مسیر ثانویه) برای حذف نویز استفاده می كنیم. در گام بعدی كنترل فعال نویز را با دو شبكه عصبی كنترل كننده و شبكه عصبی مدل پلنت برای یك سیستم خطی شبیه سازی نموده و این كنترل كننده 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 یك سیستم غیرخطی تبدیل كرده و قابلیت سیستم كنترل فعال نویز با شبكه عصبی بازگشتی را در یك سیستم غیرخطی به منظور حذف نویز مورد مطالعه قرار می دهیم.

مقدمه:

نویز یك صوت ناخواسته می باشد. كه هر یك دارای یك 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 فركانس و خواص آماری آن مانند تابع خودهمبستگی، روش مناسبی برای آن انتخاب می شود.

روش كلاسیك حذف نویز، روش غیرفعال است كه در آن از عایق بندی صوتی استفاده می شود كه برای دسته خاصی از نویزها، آنها كه دارای فركانس بالا می باشند مورد استفاده قرار می گیرد. در روش الكترونیكی كه همان روش فعال نامیده می شود از كنترل كننده فعال نویز استفاده می شود كه این روش نیز برای نویزهایی با فركانس پائین مناسب است. در این كنترل كننده، هدف ایجاد نویزی برابر با نویز اصلی و فاز مخالف است تا بتواند با تركیب با نویز اولیه آنرا حذف نماید و ایجاد سكوت كند. برای این كار به یك بلندگو كه سیگنال كنترلی یا حذف كننده را پخش می كند و یك سنسور برای اندازه گیری خطا احتیاج میباشد. در روش كلاسیك استفاده از كنترل نویز فعال، از فیلترهای تطبیقی با ساختارهایی مانند FIR, IIR, Ladder,… و از الگوریتم هایی مانند LMS, n‐LMS, RLS, FX‐LMS,… برای ساختن یك كنترل كننده استفاده می شود. در این روش ها الگوریتم با بهره گرفتن از معیارهایی مانند بیشترین شیب نزولی ضرایب فیلترها را تعیین می كند.

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

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

تعداد صفحه : 98

قیمت : 14700 تومان

 

—-

پشتیبانی سایت :       

*         asa.goharii@gmail.com

دسته‌ها: مهندسی برق

2 دیدگاه

دیدگاهتان را بنویسید