مدلسازی، شناسایی، فرآیند انتقال گرما، سیستم مرتبه کسری، شبکه فازی عصبی
Neuro-fuzzy network modeling versus fractional model identification of a thermal process
Abstract—This paper deals with the modeling and identification of heat transfer process. This diffusive phenomena exhibit complex dynamics varying with the operating frequency band. Two models are investigated: a fractional order state space model and a neural fuzzy networks. Numerical simulations on a thermal benchmark are performed in order to analyze the two models fitting ability to approximate the diffusive phenomena
مدل سازی شبکه عصبی-فازی در برابر شناسایی مدل کسری فرآیند گرمایی
چکیده
این مقاله مدلسازی و شناسایی فرایند انتقال حرارت را بحث میکند. این پدیدهیپراکنشی دینامیکهای پیچیده را نشان میدهد که با باند فرکانس عملیاتی تغییر میکند. دو مدل که ادغام میشوند عبارت از: مدل فضایی حالت مرتبه کسری و شبکههای فازی عصبی. شبیهسازیهای عددی در محک (بنچمارک) گرمایی به منظورآنالیز دو مدل با تطبیق توانایی برای تخمین پدیدهی پراکنشی انجام میشوند.
..
قیمت فقط19,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علی بیگلو
شماره تماس : 09147457274
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 8
قیمت : 19,000 تومان
حجم فایل : 501 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلسنکرون سازی؛ مرتبه کسری؛ شبکه های عصبی آشفته؛ کنترل فیدبک خطی
Synchronization of a Class of Fractional-Order Chaotic Neural Networks
Abstract: The synchronization problem is studied in this paper for a class of fractional-order chaotic neural networks. By using the Mittag-Leffler function, M-matrix and linear feedback control, a sufficient condition is developed ensuring the synchronization of such neural models with the Caputo fractional derivatives. The synchronization condition is easy to verify, implement and only relies on system structure. Furthermore, the theoretical results are applied to a typical fractional-order chaotic Hopfield neural network, and numerical simulation demonstrates the effectiveness and feasibility of the proposed method
سنکرون سازی کلاسی از شبکه های عصبی آشفته با مرتبه ی کسری
چکیده
در این مقاله مسئله سنکرونسازی برای طبقهای از شبکههای عصبی آشفته با مرتبهی کسری مطالعه میشود. با استفاده از تابع میتاگ - لفر، کنترل فیدبک خطی و ماتریس-M، یک شرط کافیایجاد شده است که سنکرونسازیچنین مدلهای عصبی با مشتقات کسری کاپوتو را تضمین میکند. اثبات و پیادهسازی شرط سنکرونسازی آسان و تنها بر ساختار سیستم متکی است. علاوه بر این، نتایج تئوری بر یک شبکهی عصبی هوپفیلد آشفتهی نوعی از مرتبهی کسریاعمال میشود، و شبیهسازی عددی اثربخشی و امکانسنجی روش ارائه شده را نشان میدهد.
.
قیمت فقط39,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علی بیگلو
شماره تماس : 09147457274
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 10
قیمت : 39,000 تومان
حجم فایل : 857 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلمحاسبات کسری؛معادلات دیفرانسیل کسری؛ شبکه عصبی چند جملهای کسری
The Fractional Differential Polynomial Neural Network for Approximation of Functions
Abstract: In this work, we introduce a generalization of the differential polynomial neural network utilizing fractional calculus. Fractional calculus is taken in the sense of the Caputo differential operator. It approximates a multi-parametric function with particular polynomials characterizing its functional output as a generalization of input patterns. This method can be employed on data to describe modelling of complex systems. Furthermore, the total information is calculated by using the fractional Poisson process.
شبکه عصبی چند جمله ای دیفرانسیلِ کسری برای تقریب زنی توابع
چکیده
در این مقاله، تعمیمی از شبکه عصبی چند جملهای دیفرانسیلی را با استفاده از محاسبات کسری معرفی میکنیم. محاسبات کسری در معنایعملگردیفرانسیلی کاپوتو در نظر گرفته میشوند که یک تابع چند پارامتری را با چند جملهایهای خاصتقریب میزند که خروجی عملکردی آن را به عنوان تعمیمی از الگوهای ورودی مشخص میکند. میتوان این روش را بر دادههایی به منظور تشریح مدلسازی سیستمهای پیچیده به کار گرفت. علاوه بر این، اطلاعات کل با استفاده از فرایند پویسون کسری محاسبه میشود.
قیمت فقط33,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علی بیگلو
شماره تماس : 09147457274
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 9
قیمت : 33,000 تومان
حجم فایل : 642 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلشبکه های عصبی مرتبه کسری؛ نقطه تعادل؛ وجود؛ منحصر به فرد بودن؛ پایداری زمان محدود
Finite-time stability analysis of fractional-order neural networks with delay
Abstract Stability analysis of fractional-order neural networks with delay is addressed in this paper. By using the contracting mapping principle, method of iteration and inequality techniques, a sufficient condition is established to ensure the existence, uniqueness and finite-time stability of the equilibrium point of the proposed networks. Finally, based on the Predictor-Corrector Approach, two numerical examples are presented to illustrate the validity and feasibility of the obtained result.
تحلیل پایداری زمان-محدود شبکه های عصبی مرتبه کسری تاخیردار
چکیده
تحلیل پایداری شبکه های عصبی مرتبه کسری با تاخیر در این مقاله ارائه میشود. با استفاده ازاصل نگاشت قراردادی، روش تکراری و تکنیکهای نابرابر، شرط مناسبی به منظور تضمین وجود، منحصر به فردبودن و پایداریزمانمحدود نقطهی تعادلشبکههایارائه شده ایجاد میشود. در نهایت،بر اساسروشاصلاح-پیشگویی، دو مثال عددی به منظور نشان دادن اعتبار و احتمال نتیجهی به دست آمده ارائه میشود.
قیمت فقط39,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علی بیگلو
شماره تماس : 09147457274
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 12
قیمت : 39,000 تومان
حجم فایل : 595 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلدینامیک های مرتبط با شبکه های عصبی مرتبه کسری
Dynamics of fractional-order neural networks
Abstract—In this paper we discuss the stability analysis for fractional-order neural networks of Hopfield type. The stability domain of a steady state is completely characterized with respect to some characteristic parameters of the system, in the case of a two-dimensional network and of a network of