کنترل کننده های فازی-عصبی در متلب

کنترل کننده های فازی-عصبی در متلب

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

پیش نیاز: شبکه های عصبی، سیستم های فازی


جلسه اول:

مقدمه


جلسه دوم:

طراحی کنترل کننده بر اساس قواعد اگر و آگاه فازی + کنترل کننده نظارتی


جلسه سوم:

طراحی کنترل کننده PID  بر اساس قواعد اگر و آگاه فازی (نوع اول و نوع دوم)


جلسه چهارم:

طراحی کنترل کننده عصبی تطبیقی غیر مستقیم, Indirect adaptive neural network controller, Matlab


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


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


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


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


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


جلسه دهم:

 طراحی کنترل کننده PID عصبی-تطبیقی با استفاده شناساگر عصبی

adaptive PID controller using neural model based on back propagation method, Matlab


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


جلسه دوازدهم:

طراحی کنترل کننده تطبیقی مدل معکوس عصبی

adaptive  controller based on inverse  neural model  and back-propagation approach


جهت خرید کلیک بفرمایید

توجه توجه!! در صورتیکه مایل به پرداخت از طریق کارت می باشید هزینه را به شماره کارت زیر (بنام موسی پور) واریز فرموده و سپس اطلاعات زیر رو به شماره زیر پیامک کنید. بعد از پرداخت و پیامک نمودن اطلاعات زیر لینک دانلود رو به ایمیلتون می فرستیم.

شماره پرداخت

محصول و جلسات خریداری شده

ایمیل

شماره کارت: ۶۰۳۷۹۹۷۳۸۲۹۱۱۳۵۳

شماره موبایل: ۰۹۱۶۲۹۶۳۸۷۰

۳۹ نظر

  1. با سلام. جناب دکتر. من اخیرا چند صفحه اول تز دکتری شما را مشاهده کردم و مطالب عنوان شده در آن برای من مفید بود. لطفا در صورتی که مشکلی ندارد لطف می کنید تز کامل خود را برای اینجانب ایمیل فرمایید. ممنون

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ اسفند ۸ام, ۱۳۹۶ ۱۱:۱۷ ب.ظ:

    @علی,
    سلام
    دوست عزیز تز ناقابل تحت چاپ است انشالله که به زودی تحت یک کتاب در اختیار علاقه مندان قرار بگیرد.
    البته یک نسخه هاردکپی در کتابخانه دانشگاه تبریز در دسترس می باشد.
    موفق باشین.

    [پاسخ]

  2. با سلام و وقت بخیرمن میخوام یک کنترلر برای یک فرایند طراحی کنم که اون فرایند را قبلا با شبکه عصبی MLP طراحی شده برای طراحی کنترل کننده کدام جلسات را باید تهیه کنم ؟
    با تشکر

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ اسفند ۵ام, ۱۳۹۶ ۱۰:۱۱ ب.ظ:

    @مهدی,
    سلام
    احتمالاً کنترلر معکوس عصبی یا تطبیقی مستقیم بتونه کارساز باشه. برای ژاکوپین سیستم میتونید از مدل عصبی که طراحی شده استفاده کنید. موضوع جلسات مختلف در ذیل جلسات به صورت مختصر شرح داده شده در چند دقیقه اول فهرست مطالب ارائه شده نشان داده است. موفق باشین.

    [پاسخ]

  3. با سلام و احترام خدمت شما آقای دکتر.
    بنده تمامی این مجموعه را خریداری کردم
    این مجموعه بسیار عالی و بی نظیر بود و برای بنده بسیار مفید واقع شد.
    خواهشمند است مجموعه ای نیز تحت عنوان ” آموزش کنترل کننده های عصبی” تهیه فرمایید تا مطالب مربوط به کنترل کننده های هوشمند تکمیل شوند
    با تشکر و احترام

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ آذر ۲۶ام, ۱۳۹۶ ۹:۳۷ ق.ظ:

    @حسین,
    با سلام
    ضمن تشکر از نظر لطفتان، این مجموعه را در آینده نزدیک تکمیل خواهیم کرد.
    موفق باشین.

    [پاسخ]

  4. با سلام
    مجموعه ای که درباره کنترل کننده های عصبی فازی بود جالب و آموزنده بود.نکته ای که وجود دارد تمام شبیه سازی ها روی کلاس خاصی از سیستمهای غیر خطی( فرم کانونیکال ) انجام شده است.آیا آموزشی درباره پیاده سازی روی فرم های غیر کانونیکال وجود دارد

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ مهر ۲۲ام, ۱۳۹۶ ۶:۵۱ ب.ظ:

    @ahmad,
    سلام
    برخی کنترل کننده های ارائه شده وابسته به مدل نیستند مثل PIDها و کنترل کننده های عصبی فازی مدل معکوس و روش های مشابه. در بعضی روشهای کنترل تطبیقی مدل مرجع هم فرض شده است که ساختار مدل (تعداد حالتها و فرم سیستم مثل نرمال افاین یا غیرافاین بودن و …) معلوم است تا بتوانیم آنالیز پایداری داشته باشیم با این حال به راحتی قابل توسعه به سایر دسته ها می باشند. سیستم های غیرخطی خاص در جلسات بعدی پوشش داده خواهد شد. موفق باشین.

    [پاسخ]

  5. با سلام و تشکر از اموزش‌های مفیدی که ارائه دادید.
    سوالی داشتم در رابطه با پیاده‌سازی عملی‌ کنترلر‌های تطبیقی ارائه شده در این مجموعه.

    از لحاظ بار محاسباتی کدام یک از کنترلر‌های مستقیم و یا غیرِ مستقیم تطبیقی ارائه شده قابلیت پیاده‌سازی عملی‌ بر روی میکرکنترلر ( e.g; ARM-Cortex micro-controller) را دارند؟
    به عنوانه مثال بر روی سیستمی‌ غیر خطی‌ با عدم قطعیت روی پارامتر‌های مدل و اغتشاش شبیه بازوی رباتیکی یا پاندول معکوس عنوان شده در مثالهای این مجموعه که عملکرد سریع و پایدار مدّ نظر هست(پاسخ فیدبک باید در رنج میلی‌ ثانیه ارائه شود)؟؟
    اگر مثال یا مقاله‌ مناسبی وجود دارد لطفا معرفی‌ کنید.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ مهر ۱۸ام, ۱۳۹۶ ۲:۳۱ ب.ظ:

    @amir,
    با سلام
    کنترل کننده های ارائه شده حجم محاسبات زیادی ندارند، مخصوصاً اگر سیستم ابعاد پایینی داشته باشه. و بیشتر این کنترل کننده ها در مسائل عملی هم پیاده سازی شده اند.
    با این حال چون فقط نامعینی پارامتری دارید می توانید این نامعینها را با الگوریتم هایی مثل فیلتر کالمن و الگوریتمهای مشابه تخمین بزنید و کنترل کننده رو ساده تر و سریعتر کنید.
    نمونه هایی از این نوع کنترل کننده ها به زودی در مجموعه کنترل تطبیقی ارائه خواهد شد.
    موفق باشین.

    [پاسخ]

  6. با سلام
    ادامه جلسات چه زمانی آپلود میشود?

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ شهریور ۲۲ام, ۱۳۹۶ ۱۲:۳۵ ب.ظ:

    @amir,
    با سلام
    امیدواریم دوباره از پاییز بتوانیم ادامه مجموعه ها رو آپلود کنیم.
    موفق باشین.

    [پاسخ]

  7. با سلام بنده میخواهم ضرایب کنترلر PID را برای یک سیستم غیرخطی به صورت آنلاین فقط با استفاده از شبکه عصبی تخمین بزنم. جلسه ی ۸ برای هدف بنده مناسب هست؟

    [پاسخ]

    رضا پاسخ در تاريخ مرداد ۱۶ام, ۱۳۹۶ ۴:۳۰ ب.ظ:

    @رضا, با استفاده از الگوریتم پس انتشار خطا…

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ مرداد ۱۸ام, ۱۳۹۶ ۵:۵۵ ب.ظ:

    @رضا,
    سلام
    بله
    البته در چند دقیقه اول فهرست مطالب جلسه رو ببیند
    در جلسه دهم ژاکوپین سیستم هم با عصبی تخمین زده میشه.

    [پاسخ]

  8. سلام
    من از ویدیوی تنظیم ضرایب کنترل کننده با شبکه عصبی استفاده کردم عالی بود فقط یک سوال
    ایا برای سیستم های ناپایدار هم این برنامه جواب میدهد؟
    لطف بفرمایید برای تنظیم ضرایب کنترل کننده سیستم های ناپایدار راهنمایی بفرمایید.
    با تشکر فراوان

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ مرداد ۱۸ام, ۱۳۹۶ ۶:۰۱ ب.ظ:

    @مینا,
    سلام
    ضمناً اگه کران بالای توابع غیرخطی موجود در دینامیک سیستم را بدانیم ( می توانیم به صورت محافظه کارانه هم انتخاب کنیم) می توانیم این کنترل کننده ها را با کنترل نظارتی ترکیب کنیم که از پایدار بودن (به مفهوم BİBO) مطمئن باشیم. (جلسه دوم)
    موفق باشین

    [پاسخ]

  9. با سلام
    من میخوام یک کنترل کننده عصبی-فازی برای کنترل ازدحام شبکه TCP طراحی کنم.
    ممنون میشم من رو راهنمایی کنید که کدوم بخش برای آموزش من کافیه.
    با تشکر

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ تیر ۶ام, ۱۳۹۶ ۱:۳۰ ب.ظ:

    @زهرا نورمحمدیان,
    سلام
    کلیت هر جلسه به صورت خلاصه توضیح داده شده است.
    فهرست مطالب و چکیده هر جلسه را در ده دقیقه اول ببینید
    در صورتی که برای مسله شما مفید بود دانلود نمابید
    موفق باشین

    [پاسخ]

  10. سلام.من باید یک کنترل کننده عصبی با روشهای مدل مرجع و یادگیری معکوس برای مدل پاندول معکوس طراحی کنم کدامیک از جلسات به کارم می آید؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ خرداد ۳۱ام, ۱۳۹۶ ۷:۲۸ ب.ظ:

    @حمید توکلی,
    سلام
    جلسه ۴ کنترل عصبی تطبیقی
    جلسه ۱۲ کنترل عصبی مدل معکوس

    [پاسخ]

  11. سلام

    من یه کنترلر PID فازی دارم که میخوام با MLP بهینه سازیش کنم. تو کدوم درس در این خصوص مطلب ارایه شده؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ خرداد ۸ام, ۱۳۹۶ ۱۱:۳۵ ب.ظ:

    @ج.نجف,
    سلام به مجموعه “کنترل فازی-عصبی در متلب” مراجعه کنید.
    جلسات ۸ و ۱۰٫
    http://www.controlref.com/fnnc_matlab/

    [پاسخ]

  12. سلام
    لینک دانلود قسمت چهاردهم کار نمی کند.
    لطفا بررسی کنید.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ خرداد ۲ام, ۱۳۹۶ ۴:۳۹ ب.ظ:

    @محسن,
    سلام
    مشکل به وجود آمده حل شد.
    می توانید دانلود کنید.

    [پاسخ]

    محسن پاسخ در تاريخ خرداد ۲ام, ۱۳۹۶ ۱۰:۳۷ ب.ظ:

    @دکتر محمدزاده,
    سلام متاسفانه نتونستم دانلود کنم پیغام ؛با عرض پوزش، محدودیت دانلود برای این فایل وجود دارد.؛ می گیرم اگه ممکنه لینک دانلود رو مجددا برام بفرستید.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ خرداد ۳ام, ۱۳۹۶ ۱۲:۲۸ ق.ظ:

    @محسن,
    سلام
    براتون ایمیل میکنم این جلسه رو.
    موفق باشین.

    [پاسخ]

  13. ببخشید من کد شبکه عصبی برای تنظیم کنترلر PID رو میخوام باید کدوم جلسرو خریداری کنم میشه راهنمایی کنید؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۲۰ام, ۱۳۹۶ ۱:۵۵ ب.ظ:

    @مرتضی,
    با سلام
    کنترل کننده های فازی-عصبی تطبیقی به فرم غیر مستقیم (تخمین مدل و طراحی کنترل کننده بر اساس مدل تخمین زده شده ) بر روی سایت قرار گرفته است و
    کنترل کننده های فازی-عصبی تطبیقی به فرم مستقیم که شامل PID هم میشه از هفته بعد به مرور بر روی سایت قرار خواهد گرفت.
    البته طراحی کنترل کنننده PID با استفاده از قواعد اگر آگاه فازی بر روی سایت قرار گرفته است.

    [پاسخ]

  14. با سلام خسته نباشید . ببخشید من چند سوال داشتم . اول اینکه این آموزش ها بصورت کد نویسی میباشد یا استفاده از بلوک های شبیه سازی .میخوام ببینم با دیدن این آموزش میشه این الگوریتمو بصورت کد در پروسسور های سخت افزاری مانند آرم پیاده سازی کرد ؟
    من یک مبدل ساختم میخوام کنترلشو به این روش پیاده سازی کنم میشه ازین آموزش استفاده کرد واسه اینکار؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۵ام, ۱۳۹۶ ۲:۲۰ ب.ظ:

    @مرتضی,
    سلام
    به صورت کد داخل سیمولینکه. مثلاً یه بلوک داریم که کارش تخمین نامعینی هاست که داخل این بلوک یک سیستم فازی یا یک شبکه عصبی کد نویسی شده است. بلوک بعدی کنترل کننده است که از نتایج این تخمین استفاده میکنه و …
    اتفاقاً با توجه به اینکه در داخل سیمولینک قسمت های مختلف را از هم دیگه جدا کرده ایم خیلی گویاتر شده و پیاده سازیش هم ساده تر.

    [پاسخ]

    مرتضی پاسخ در تاريخ فروردین ۱۵ام, ۱۳۹۶ ۷:۰۹ ب.ظ:

    @دکتر محمدزاده, یعنی کد نویسی شبکه عصبی هم آموزش داده شده؟
    منظورم مراحل آموزش و… کد نویسی شده یا از دستورات میانبر متب استفاده شده؟

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ فروردین ۱۵ام, ۱۳۹۶ ۸:۰۱ ب.ظ:

    @مرتضی,
    بله کلاً کدنویسی شده و از تولباکس متلب در کنترل کننده ها استفاده نشده. لازم به ذکر است که پارامترهای شبکه عصبی و سیستم فازی استفاده شده در کنترل کننده ها به صورت آن-لاین تنظیم می شوند (در کنترل کننده های تطبیقی ارائه شده).
    ضمن اینکه در مجموعه “شبکه های عصبی و الگوریتم های یادگیری در متلب” و همچنین در مجموعه “سیستم های فازی نوع اول و دوم در متلب”، شبکه های عصبی و سیستم های فازی از صفر تا صد به صورت کدنویسی و همراه با مثالهای کاربردی آموزش داده شده است.
    موفق باشین.

    [پاسخ]

  15. سلام
    اموزشاتون واقعا عالیه.امیدوارم همینطور قوی پیش برید و مطالبو به صورت کامل بیان کنید.

    [پاسخ]

    دکتر محمدزاده پاسخ در تاريخ اسفند ۱۵ام, ۱۳۹۵ ۷:۳۲ ب.ظ:

    @omid,
    سلام
    از اینکه مجموعه آموزشی ما مفیده واقع شده خوشحالیم.
    جهت بهتر شدن مجموعه پیشنهادات ارزشمند خودتان را از طریق ایمیل با ما در میان بذارید
    intelligent.controlref@gmail

    [پاسخ]

یک پاسخ بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *