یک رویکرد شبکه عصبی دو مرحله ای مبتنی بر NEAT برای ایجاد یک الگوریتم کنترل

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 15

تعداد کلمات : 3100

مجله : AI

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
1 آوریل 2022
دسته بندی
تعداد بازدیدها
1182 بازدید
39,000 تومان

عنوان فارسی مقاله:یک رویکرد شبکه عصبی دو مرحله ای مبتنی بر NEAT برای ایجاد یک الگوریتم کنترل برای یک سیستم پالتروژن

 چکیده

 کنترل سیستم‌های پیچیده توسط سیستم‌های کنترل سنتی گاهی اوقات می‌تواند منجر به نتایج زیر بهینه شود زیرا مدل‌های ریاضی اغلب فرآیندهای فیزیکی را به طور کامل توصیف نمی‌کنند. یک رویکرد جایگزین استفاده از یک الگوریتم کنترل مبتنی بر شبکه عصبی است. شبکه های عصبی می توانند هر تابعی را تقریب بزنند و به این ترتیب می توانند حتی پیچیده ترین سیستم ها را نیز کنترل کنند. یکی از چالش های این رویکرد، ضرورت یک حلقه آموزشی با سرعت بالا برای تسهیل دوره های آموزشی کافی در یک چارچوب زمانی معقول برای ایجاد یک شبکه کنترلی قابل دوام است. این مقاله با استفاده از یک شبکه عصبی دوم برای تقریب خروجی یک مدل نسبتاً کند مدل پالتروژن ۳D-FE- بر این مشکل غلبه می کند. این تقریب با دستورات بزرگی سریعتر از مدل اصلی است و فقط انحرافات جزئی از رفتار مدلهای اصلی دارد. این مدل جدید سپس در یک حلقه آموزشی برای آموزش موفقیت آمیز یک الگوریتم کنترل ژنتیک مبتنی بر NEAT استفاده می شود(رویکرد شبکه عصبی دو مرحله ای).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A NEAT Based Two Stage Neural Network Approach to Generate a Control Algorithm for a Pultrusion System

Abstract

 Controlling complex systems by traditional control systems can sometimes lead to suboptimal results since mathematical models do often not completely describe physical processes. An alternative approach is the use of a neural network based control algorithm. Neural Networks can approximate any function and as such are able to control even the most complex system. One challenge of this approach is the necessity of a high speed training loop to facilitate enough training rounds in a reasonable time frame to generate a viable control network. This paper overcomes this problem by employing a second neural network to approximate the output of a relatively slow 3D-FE-Pultrusion-Model. This approximation is by orders of magnitude faster than the original model with only minor deviations from the original models behaviour. This new model is then employed in a training loop to successfully train a NEAT based genetic control algorithm.