در این مجموعه، کنترل کننده های فازی-عصبی با یک رویکرد کاملاً کاربردی، از صفر تا صد به زبان ساده همراه با مثال گویا و شبیه سازی در محیط متلب، آموزش داده می شوند. شبیه سازی ها و برنامه های مفیدی در محیط متلب ارائه می شوند که می توانید از این برنامه ها و شبیه سازی ها در پروژه های مربوط به خودتان به راحتی استفاده نمایید. در این مجموعه موارد زیر پوشش داده می شود:
کنترل کننده فازی عصبی:
- تطبیقی غیر مستقیم و مستقیم
- طراحی بر اساس تکنیک مد لغزشی
- طراحی بر اساس اچ-اینفینتی
- طراحی بر اساس تکنیک پسگام
- طراحی بر اساس بهره کوچک
- طراحی بر اساس تکنیک LMI
- کنترل فازی-عصبی بهینه
- کنترل فازی-عصبی پیش بین
-
- کنترلر عصبی تقلیدگر
- کنترلر عصبی با استفاده از شناساگر عصبی معکوس
- ساختار کنترلر عصبی معکوس مستقیم
- کنترلر معکوس مستقیم با مدل مرجع
- کنترلر عصبی غیر مستقیم
- کنترلر معکوس غیر مستقیم با مدل مرجع
- کنترل تطبیقی عصبی معکوس با مدل مرجع
- شبکه عصبی به عنوان جبرانگر
- کنترلر PID خود تنظیم بر پایه شبکه عصبی
مراجع اصلی: سیستم های فازی و کنترل فازی نوشته وانگ، سیستم های فازی نوع دوم نوشته جری مندل و برخی مقالات از ژورنال های معتبر
مدرس: دکتر محمدزاده، عضو هیأت علمی دانشگاه دولتی بناب
جهت مشاوره و راهنمایی پایان نامه ارشد و دکتری از طریق ایمیل intelligent.controlref@gmail.com تماس بگیرید.
جلسه اول:
مقدمه
در این جلسه یک مقدمه ای در مورد اهمیت کنترل کننده های هوشمند و سرفصل های این مجموعه ارائه می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p
حجم فایل: ۳۰MB
پیش نمایش جلسه اول :
جلسه دوم:
طراحی کنترل کننده بر اساس قواعد اگر و آگاه فازی + کنترل کننده نظارتی
در این جلسه یک کنترل کننده فازی بر اساس قواعد اگر و آگاه فازی برای پایدارسازی پاندول معکوس حول نقطه ناپایدارش، طراحی و در محیط متلب پیاده سازی می شود. همچنین برای تضمین پایداری یک کنترل کننده نظارتی نیز طراحی می شود. کنترل کننده فازی هم با استفاده از تولباکس متلب و هم با استفاده از کدنویسی به فرم نروفازی پیاده سازی می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۸۰MB
پیش نمایش جلسه دوم:
جلسه سوم:
طراحی کنترل کننده PID بر اساس قواعد اگر و آگاه فازی (نوع اول و نوع دوم)
در این جلسه یک کنترل کننده PID فازی بر اساس قواعد اگر و آگاه فازی طراحی می شود. قوانین فازی بر اساس مشخصات سیستم و تجربیات اپراتور نوشته می شوند. این کنترل کننده بسیار پرکابرد بوده و در صنعت نیز مورد استفاده قرار میگیرد. کنترلر طراحی شده در محیط متلب با استفاده تولباکس فازی نوع اول و دوم شبیه سازی می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۵MB
پیش نمایش جلسه سوم:
جلسه چهارم:
طراحی کنترل کننده عصبی تطبیقی غیر مستقیم, Indirect adaptive neural network controller, Matlab
در این جلسه یک کنترل کننده عصبی تطبیقی غیر مستقیم با استفاده از شبکه های عصبی MLP برای دسته ای از سیستم های غیرخطی طراحی می شود. کنترل کننده طراحی شده در محیط سیمولینک متلب شبیه سازی می شود. به راحتی می توانید از برنامه های نوشته شده در مسائل خودتان استفاده نمایید.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۸۵MB
پیش نمایش جلسه چهارم:
جلسه پنجم:
طراحی کنترل کننده فازی تطبیقی غیرمستقیم با استفاده از سیستم های فازی نوع دوم بازه ای
Indirect adaptive interval type-2 fuzzy controller, Flexible Joint, Matlab
در این جلسه یک کنترل کننده عصبی تطبیقی غیر مستقیم با استفاده از سیستم های فازی نوع دوم بازه ای برای دسته ای از سیستم های غیرخطی به فرم نرمال طراحی می شود. کنترل کننده طراحی شده در محیط سیمولینک متلب بر روی flexible Joint شبیه سازی می شود. برنامه ها به شکل برداری و بهینه نوشته شده و به راحتی می توانید از شبیه سازی های انجام شده در مسائل مربوط به خودتان استفاده نمایید.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۸۵MB
پیش نمایش جلسه پنجم:
جلسه ششم:
طراحی کنترل کننده عصبی تطبیقی و فازی تطبیقی بر اساس گرادیان,
Indirect adaptive neural network controller and type-2 fuzzy controller based on gradient descent optimization method, Matlab
در این جلسه یک کنترل کننده عصبی تطبیقی و فازی تطبیقی غیر مستقیم طراحی می شود. دینامیک سیستم با استفاده از سیستم های فازی و شبکه ها عصبی MLP مدلسازی شده با استفاده از این مدل کنترل کننده تطبیقی پایدار طراحی می شود. برای بهینه سازی سیستم فازی نوع ۲ و شبکه عصبی MLP از روش گرادیان نزولی استفاده می شود. کنترل کننده طراحی شده در محیط سیمولینک متلب شبیه سازی می شود. به راحتی می توانید از برنامه های نوشته شده در مسائل خودتان استفاده نمایید.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۶۵MB
پیش نمایش فایل ششم:
جلسه هفتم:
طراحی کنترل کننده عصبی-لغزشی و فازی نوع۲ –لغزشی به فرم تطبیقی
adaptive interval type-2 fuzzy sliding mode controller, Matlab
adaptive neural network sliding mode controller, Matlab
در این جلسه یک کنترل کننده عصبی-لغزشی و فازی نوع۲ –لغزشی طراحی می شود که پارامترهای شبکه عصبی و سیستم نرو-فازی نوع ۲ بازه ای به کار رفته برای تخمین نامعینی ها بر اساس قوانین تطبیقی که از آنالیز پایداری لیاپانوف بدست آمده اند، تنظیم می شوند. کنترل کننده های طراحی شده در محیط سیمولینک متلب شبیه می شود. برنامه ها به شکل برداری و بهینه نوشته شده و به راحتی می توانید از شبیه سازی های انجام شده در مسائل مربوط به خودتان استفاده نمایید.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۰MB
پیش نمایش جلشه هفتم:
جلسه هشتم:
طراحی کنترل کننده PID تطبیقی با استفاده از شبکه های عصبی رویکرد گرادیان
adaptive PID using neural network based on back propagation method, Matlab
در این جلسه یک کنترل کننده PID با استفاده از شبکه های عصبی و بهینه سازی پس انتشارخطا ارائه می شود. یک برنامه متلب جامعی ارائه شده است که قابل استفاده در مسائل مختلف می باشد.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۰MB
پیش نمایش جلسه هشتم:
جلسه نهم:
طراحی کنترل کننده PID تطبیقی با استفاده از شبکه های عصبی رویکرد گرادیان
adaptive PID controller using type-2 fuzzy systems based on back propagation method, Matlab
در این جلسه یک کنترل کننده PID با استفاده از سیستم های فازی نوع اول و نوع دوم و بهینه سازی پس انتشارخطا ارائه می شود. یک برنامه متلب جامعی ارائه شده است که قابل استفاده در مسائل مختلف می باشد.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۰MB
پیش نمایش جلسه نهم :
جلسه دهم:
طراحی کنترل کننده PID عصبی-تطبیقی با استفاده شناساگر عصبی
adaptive PID controller using neural model based on back propagation method, Matlab
در این جلسه یک کنترل کننده PID عصبی تطبیقی طراحی می شود که در آن برای تقریب ژاکوپین سیستم از مدل عصبی سیستم استفاده می شود. مدل عصبی سیستم به صورت آن-لاین بدست آورده می شود. کنترل کننده طراحی شده در محیط متلب شبیه سازی می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۰MB
پیش نمایش جلسه دهم :
جلسه یازدهم:
طراحی کنترل کننده PID فازی-تطبیقی بر اساس مدل عصبی و با استفاده از سیستم های فازی نوع اول و دوم
adaptive PID controller based on neural model using type-1 and type-2 fuzzy systems based on back propagation method, Matlab
در این جلسه یک کنترل کننده PID فازی تطبیقی بر اساس مدل عصبی با استفاده از سیستم های فازی نوع اول و نوع دوم و بهینه سازی پس انتشارخطا ارائه می شود. یک برنامه متلب جامعی ارائه شده است که قابل استفاده در مسائل مختلف می باشد.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۹۰MB
پیش نمایش جلسه یازدهم :
جلسه دوازدهم:
طراحی کنترل کننده تطبیقی مدل معکوس عصبی
adaptive controller based on inverse neural model and back-propagation approach
در این جلسه یک کنترل کننده تطبیقی مدل معکوس عصبی طراحی شده و در متلب شبیه سازی می شود. مدل عصبی معکوس به صورت آن-لاین بر اساس پس انتشارخطا و گرادیان نزولی آموزش داده می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۶۰MB
پیش نمایش جلسه دوازدهم :
جلسه سیزدهم:
طراحی کنترل کننده تطبیقی مدل معکوس فازی
adaptive controller based on inverse type-1 fuzzy model and back-propagation approach
در این جلسه یک کنترل کننده تطبیقی مدل معکوس فازی طراحی شده و در متلب شبیه سازی می شود. مدل فازی معکوس به صورت آن-لاین بر اساس پس انتشارخطا و فیلتر کالمن توسعه آموزش داده می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۷۰MB
پیش نمایش جلسه سیزدهم:
جلسه چهاردهم:
طراحی کنترل کننده فازی تطبیقی مستقیم
direct adaptive fuzzy controller
در این جلسه یک کنترل کننده فازی تطبیقی مستقیم طراحی می شود. سیستم فازی بر اساس لیاپانوف به صورت آن-لاین آموزش داده می شود. کنترل کننده طراحی شده بر روی یک سیستم آشوب در متلب پیاده سازی می شود.
محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf
حجم فایل: ۷۰MB
پیش نمایش جلسه چهاردهم :
مطالعه بیشتر
سلام و ممنون از آموزش های بسیار خوبتان
۱- در مورد جلسه آموزشی ۶ ام و فایل شبیه سازی شده FNN_indirect_GD اگر در یک دینامیک مورد نظر ghat برابر ۱ نباشد در اینصورت برای تخمین ghat هم از بلوک مشابه fhat استفاده و این تغییر را ایجادنمودم : W2 = W1+ eta * u * e * z/sum(z)
در بلوک های تخمین fhat و ghat نیز این تغییر ایجاد شد : e = target – fhat – ghat *u
و از fhat بعنوان ورودی بلوک تخمین ghat و برعکس نیز انجام شد. آیا تغییرات انجام شده صحیح میباشد؟
۲- target چرا ایجاد شده است؟ مثلا در یک سیستم مرتبه ۱ میتوان از همان پاسخ خروجی سیستم بعنوان target استفاده کرد؟
سلام
بله به نظر درست میاد، یکبار چک کنید که مشتقها درست باشه
تارقت را با توجه به مسئله میتوانید تغییر دهید
موفق باشید
سلام در آموزش جلسه ۶ام چرا برای تشکیل Target مقدار u کنترلی از dy4 کم شده است در تابع خطا بر حسب مشتق ها همچین چیزی نداریم؟ target تابع ghat چطوری محاسبه می شود؟
میتونید از سیستم تخمینی خودتان انتگرال بگیرید به تعداد مرتبه سیستم، و خروجی تخمین زده شده را با خروجی واقعی مقایسه کنید
تنها تارقت خروجی اندازه گیری شده است.
در کنترل، مسئله این نیست که f,g به مقادیر واقعی برسند بلکه هدف صفر کردن خطای تخمین است.
با عرض سلام و خسته نباشید خدمت شما جناب اقای دکتر ممنون از اموزش های بسیار خوبتون جناب اقای دکتر در مورد جلسه ۸ در خصوص pid عصبی چند سوال داشتم خدمتتون
۱- جناب اقای دکتر ببخشید وزن های اولیه شبکه عصبی می تونن مقادیر منفی اختیار کنند؟
۲- جناب اقای دکتر ببخشید با توجه ب اطلاعات زیاد شما برای تنظیم مقدار اولیه وزن ها کدوم الگوریتم رو پیشنهاد میدید ممنون میشم راهنمایی بفرمایید
سلام
بله مقادیر وزنها میتونن منفی باشند
برای سیستم های آنلاین میتونید روشهای تنظیمی در نظر بگیرید که گارانتی پایداری دارن
با سلام جناب اقای دکتر ببخشید ایا همیشه باید از تابع rand برای تعیین ضرایب اولیه برای شبکه عصبی pid در جلسه ۸ برای سیستم های مختلف استفاده کنیم
سلام
برخی سیستم که شاید بشه ملاحضات پایداری هم اعمال کرد حتی در ضرایب اولیه
یک راه کار ساده – میتونه موازی کردن یک پی آی دی ساده باشه که با روشهای سنتی تنظیم اولیه شده-
موفق باشید
سلام وقت بخیر
ممنون از شما اقای دکتر بابت اموزشهای خیلی خدبتون.
آقای دکتر اگه من معادلات دینامیکی سیستمی که دارم غیر نرمال باشن اما بخوام از طبق جلسه ۴ کنترل کننده تطبیقی عصبی غیر مستقیم طراحی کنم، اول باید پلنت رو به فرم نرمال تبدیل کنم؟ پیشنهادتون چیه؟
چون داخل مقاله از این کنترل کننده استفاده شده ولی سیستم معادلاتش به فرم نرمال نیست.
سلام
نه میتونید به صورت نرمال سیستم را مدلسازی کنید در صورتی که کنترل کننده تان توانایی حذف خطای مدلسازی داره به خوبی
موفق باشید
سلام آقای دکتر محمد زاده ببخشید مزاحمتون جناب آقای دکتر در مورد جلسه ۷ اموزش در روش مستقیم مد لغزشی عصبی به منظور پیاده سازی مقاله ای خودتون نوشتین ک بتونم با آموزش های شما پیش برم ممنون میشم راهنمایی بفرمایید
سلام آقای دکتر
در جلسه ۱۲ام ورودی شناساگر طبق دیاگرام خودتون yp باید باشه که uc درنظر گرفتید و خطا هم e=y-o2 که باز هم طبق شکل غلطه و باید به صورت e=uc-o2 باشه یا شما سیستم دیگه ای مدنظرتون بوده؟
سلام
در کیس-استادی خودتان ورودی های مختلف امتحان کنید ببینید در چه شرایطی جواب بهتری میگیرید