این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۴، شماره ۱۵، صفحات ۵۹-۶۶
عنوان فارسی تعیین ضرایب شبکه های عصبی نوع GMDH با استفاده از فیلتر کالمن UKF
چکیده فارسی مقاله فیلتر کالمن آنسنتد (UKF) یکی از معروفترین فیلترها جهت تخمین متغیرهای حالت آغشته با نویز گوسی و سفید یک سیستم غیرخطی است. همچنین این فیلتر در تخمین پارامترهای شبکه‌های عصبی چند لایه ای نیز مورد استفاده قرار می گیرد. شبکه عصبی نوع GMDH یکی از پرکاربردترین شبکه های عصبی است که از توانایی بالایی در مدل سازی داده های پیچیده برخوردار است. در تحقیقات زیادی از روش های گوناگون نظیر تجزیه مقادیر منفرد و الگوریتم ژنتیک برای تعیین ضرایب این شبکه عصبی استفاده شده است. در این مقاله، از فیلتر کالمن آنسنتد جهت تخمین پارامترهای شبکه های عصبی نوع GMDH برای داده های آزمایشگاهی دارای قطعیت و عدم قطعیت استفاده شده است. با استفاده از این روش، ضرایب بر روی جدول داده های آزمایشگاهی بدون درنظر گرفتن نامعینی بدست آمدند و برای بررسی مقاوم بودن مدل بدست آمده در برابر نامعینی های موجود در داده ها از روش مونت کارلو استفاده گردید. نتایج شبیه سازی برای دو جدول داده های آزمایشگاهی چند ورودی- یک خروجی نشان می دهند که الگوریتم ارائه شده نسبت به سایر روش ها، رفتار بسیار مقاومتری در مواجهه با نامعینی ها دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Parameter estimation of the GMDH-type neural network using UKF filter
چکیده انگلیسی مقاله The Unscented Kalman filter (UKF) is the popular approach to estimate the recursive parameter of nonlinear dynamical system corrupted with Gaussian and white noises. Also, it has been applied to train the weights of the multi-layered neural network (MNN) models. The Group method of data handling (GMDH)-type neural network is one of the most widely used neural networks which has high capacity in modeling of the complex data. In many researches, different approaches are used in training of neural networks in terms of associated weights or coefficients, such as singular value decomposition, and genetic algorithms. In this paper, the unscented Kalman filter is used to train the parameters of GMDH-type neural network when the experimental data are deterministic. The effectiveness of GMDH-type neural network with UKF algorithm is demonstrated by the modeling of the using a table of the multi input-single output experimental data. The simulation result shows that the UKF-based GMDH algorithm perform well in modeling of nonlinear systems in comparison with the results of using traditional GMDH-type neural network and is more robust against the model and measurement uncertainty.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجتبی معصوم نژاد | Mojtaba Masoumnezhad
دانشکده شهید چمران دانشگاه فنی و حرفه ای

علی جمالی | Ali Jamali
دانشکده فنی دانشگاه گیلان

نادر نریمان زاده | Nader Narimanzadeh
دانشکده فنی دانشگاه گیلان

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-15-1000-7910&slc_lang=fa&sid=15
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-599478.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات