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

مدرس: دکتر محمدزاده، عضو هیأت علمی دانشگاه دولتی بناب

جهت مشاوره و راهنمایی پایان نامه ارشد و دکتری از طریق ایمیل intelligent.controlref@gmail.com تماس بگیرید.

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

در این جلسه یک کنترل کننده تطبیقی مدل معکوس عصبی طراحی شده و در متلب شبیه سازی می شود. مدل عصبی معکوس به صورت آن-لاین بر اساس پس انتشارخطا و گرادیان نزولی آموزش داده می شود.

محتویات درس:  فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf

حجم فایل: ۶۰MB

پیش نمایش جلسه دوازدهم :


جلسه سیزدهم:

طراحی کنترل کننده تطبیقی مدل معکوس فازی

adaptive  controller based on inverse  type-1 fuzzy model  and back-propagation approach

در این جلسه یک کنترل کننده تطبیقی مدل معکوس فازی طراحی شده و در متلب شبیه سازی می شود. مدل فازی معکوس به صورت آن-لاین بر اساس پس انتشارخطا و فیلتر کالمن توسعه آموزش داده می شود.

محتویات درس: فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf

حجم فایل: ۷۰MB

پیش نمایش جلسه سیزدهم:


جلسه چهاردهم:

طراحی کنترل کننده  فازی تطبیقی مستقیم

direct adaptive fuzzy  controller

در این جلسه یک کنترل کننده فازی تطبیقی مستقیم طراحی می شود. سیستم فازی بر اساس لیاپانوف به صورت آن-لاین آموزش داده می شود. کنترل کننده طراحی شده بر روی یک سیستم آشوب در متلب پیاده سازی می شود.

محتویات درس:  فایل آموزشی با کیفیت ۷۲۰p+ فایل های شبیه سازی متلب +pdf

حجم فایل: ۷۰MB

پیش نمایش جلسه چهاردهم :

 


جهت خرید کلیک بفرمایید

۸۳ نظر

  1. باسلام
    برای کسی که اشنایی چندانی با فازی و عصبی نداره و دنبال کنترل کننده های فازی-عصبی که تضمین پایداری دارند (مثل Hinf، پیش بین و …) هست، کدوم جلسات را پیشنهاد میدید؟

  2. با سلام
    دکتر پروژه من راجب فازی تطبیقی هست و سیستم فازی نیز ممدانی میباشد خواهشمندم راهنماییم کنید چگونه می توانم از کد شما در اجرای پروژه ام استفاده کنم
    با تشکر

    1. @مسعود جاویدی,
      سلام
      از مثال های شبیه سازی به راحتی می توانید استفاده کیند.
      کافیه که تعداد ورودی و خروجی سیستم تان را به درستی وارد برنامه کنید.
      شبیه سازی ها در محیط سیمولینک انجام شده و کاملاً گویاست. در قسمت مربوط به پلنت، معادلات سیستم خود را وارد می کنید و در قسمت کنترلر باید ابعاد را به درستی تعیین کنید.
      موفق باشین.

  3. باسلام خدمت دکتر محمد زاده
    دکتر پروژه من راجب فازی تطبیقی هست ولی سیستم بنده ممدانی میباشد وهمچنین کاربرد uرا در بلوگ تخمین زننده فازی تطبیقی متوجه نشدم،خواهشمندم راهنماییم کنید
    با تشکر

  4. باسلام خدمت دکتذر محمد زاده
    دکترپروژه من راجب فازی تطبیقی هست ولی سیستم من ممدانی می باشد وهمچنین کاربرد u را در برنامه نویسی مورد نظر تان را نفهمیدم
    اگر امکانش هست راهنمایمم کنید
    با تشکر

  5. سلام استاد خسته نباشید ببخشید پروژه کارشناسی بنده کنترل کننده فازی تطبیقی ربات چهار درجه هستش من جلسه های پنجم و چهاردهم رو تهیه کردم ، در جلسه پنجم شما در قسمت تنظیم پارامترهای بخش تالی و ساختار سیستم فازی نوع دوم بازه ای استفاده کردین، الان بنده میخوام در سیستم فازی نوع یک قوانین تطبیق رو برای پارامتر های متغیر cosequent و پارامتر های antecedent در متلب بنویسم باید چکار کنم.

    1. @rahim,
      سلام
      کافیه پارامترهای بخش تالی (upper and lower) و نرخ تطبیقشان را یکسان در نظر بگیرید همچنین روش کاهش مرتبه را Nie-Tan استفاده کنید نه KM. در این صورت خروجی یکسان خواهد بود با یک فازی نوع ۱٫
      موفق باشین

  6. سلام دکتر
    من میخواهم سیستم کنترل pid برای کواد کوپتر طراحی کنم کدام قسمت از مطالب شما رو دانلود کنم?

  7. 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

    1. @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.

  8. 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

    1. @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.

  9. 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

  10. 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

    1. @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.

  11. 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.

    1. @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.

  12. 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؟

  13. 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

    1. @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

  14. 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

    1. @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

  15. 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؟

    1. @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.

  16. 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؟

    1. @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.

        1. @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.

    1. @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

یک پاسخ بنویسید

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