عنوان :
شناسايي پارامترهاي يك بالگرد شش درجه آزادي با استفاده از تبديل موجك و شبكه عصبي هاپفيلد
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي كاربردي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده مكانيك
صفحه شمار :
پانزده، 93ص.: مصور، جدول، نمودار
يادداشت :
ص. ع. به فارسي و انگليسي
توصيفگر ها :
بالگرد , موجك , شبكه عصبي هاپفيلد , شش درجه آزادي
استاد داور :
سعيد ضيائي راد، مجدالدين نجفي
تاريخ ورود اطلاعات :
1396/05/02
چكيده فارسي :
چكيده در اين پژوهشر مدل ديناميكي خطي و غيرخطي شش درجه آزادي بالگرد جهت شناسايي سيستم با دو روش فضاي حالت بر پايهي موجك و شبكه عصبي هاپفيلد مورد بررسي قرار ميگيرد در ابتدا مدل غيرخطي بالگرد با استفاده از فرضيه تئوري اختلال كوچك در حالت تريم خطيسازي ميشود براي شناسايي مدل خطي بالگرد از موجك دابشيتز با محمل فشرده استفاده ميشود سپس با انتگرال گيري عددي حالتهاي مدل بهدست ميآيد پس از بهدست آوردن حالتهاي سيستم ميتوان حالتهاي بدست آمده را در فضاي موجك تصوير سازي كرد براي شناسايي پارامترهاي سيستم از الگوريتم حداقل مربعات استفاده ميشود با افزايش تعداد معلومات سيستم كه منظور افزايش تعداد دادههاي ورودي و خروجي سيستم نسبت به مجهولات يا همان پارامترهاي مجهول سيستم ميتوان از الگوريتم حداقل مربعات استفاده كرد نتايج بهدست آمده نشان ميدهد موجك نسبت به نويز بسيار خوب عمل ميكند و داراي سرعت همگرايي بسيار خوبي است در مرحله بعد معادلات خطي شده با تركيبي از معادلات غير خطي بالگرد براي نزديك شدن به مدل غيرخطي كامل بالگرد براي شناسايي به روش شبكه عصبي هاپفيلد مورد بررسي قرار ميگيرد با ارايه الگوريتم شبكه عصبي هاپفيلد و تابع انرژي شبكهر همگرايي شبكه عصبي مورد بررسي قرار ميگيرد و با استفاده از اين الگوريتم و ارايه مدل جديد از بالگرد ميتوان پارامترهاي سيستم را شناسايي كرد الگوريتم شبكه عصبي هاپفيلد يك الگوريتم بازگشتي است كه نسبت به زمان انتگرال گيري ميكند نتايج بهدست آمده از شبكه عصبي هاپفيلد نشان ميدهد بعد از چند گام زمانير شناسايي پارامترها نسبت به پارامترهاي واقعي همگرايي خوبي را نشان ميدهد در الگوريتمهاي بكار گرفته شده عمليات شناسايي به صورت غيربه هنگام انجام ميشود كلمات كليدي بالگرد موجكر شبكه عصبي هاپفيلدر شش درجه آزادي
چكيده انگليسي :
94 Parameter Identification of a Six Degrees of Freedom Helicopter Using Wavelet Transform and Hopfield Neural Network Arash Azizi Arash azizi@me iut ac ir Date of Submission 2017 06 20 Department of Mechanical Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor Mohammad Danesh danesh@cc iut ac irAbstract In this study six degrees of freedom linear and nonlinear dynamic models of a helicopter are identifiedby two state space methods on the basis of wavelet transform and Hopfield neural network At first nonlinear model of the helicopter is linearized by using small perturbation theory for a trim point Daubechies wavelet is used to identify linear model of the helicopter Then using numerical integration themodel states are obtained After that the system state vector are projected and approximation coefficientscan be computed using input and output data based on the wavelet projection technique Least squarealgorithm is used to identify system parameters Increasing the number of system input and output datacompared to the number of unknown parameters least square algorithm can be used The results show thatwavelet has a very good performance in the presence of noise and has a high convergence rate In the nextstage linearized equations are used for identification with Hopfield neural network method Using Hopfieldneural network algorithm and network energy function convergence of the neural network is investigated Using this algorithm the system parameters can be estimated Hopfield neural network algorithm is arecursive algorithm which integrates with respect to time Results of Hopfield neural network show thatafter a few time steps estimated parameters has a good convergence to real parameters In used algorithms identification process is performed off line Keywords Helicopter Wavelet Hopfield neural network Six degrees of freedom
استاد داور :
سعيد ضيائي راد، مجدالدين نجفي
