شناسایی یک سیستم با شبکه عصبی RBF با متلب

پنجشنبه ۱ بهمن ۱۳۹۴
بازدید ۲,۰۶۶ نفر
نوآوران گرمی
(95 امتیاز از 19 رای)
Loading...

دانلود رایگان پروژه شناسایی یک سیستم با شبکه عصبی RBF با متلب

در این پست دانلود رایگان پروژه شناسایی یک سیستم با شبکه عصبی RBF با متلب را آماده کرده ایم که تمرین برای درس شبیه سازی کامپیوتری و شبکه های عصبی می باشد.

در این پروژه دو سیستم در نظر گرفته شده است که صورت مسئله را در ادامه مطرح خواهیم کرد. هدف از این پروژه، شناسایی دو سیستم موجود به کمک شبکه عصبی مبتنی بر تابع پایه شعاعی (Radial Basis Function – RBF) با قانون یادگیری Least Mean Square – LMS و شبکه عصبی پرسپترون چند لایه (Multi-Layer Perceptron – MLP) با قاعده یادگیری پس انتشار خطا (Beach Propagation – BP) می باشد.

توضیحات بیشتر، لینک دانلود رایگان، فیلم و تصاویری از خروجی پروژه شناسایی یک سیستم با شبکه عصبی RBF با متلب در ادامه مطلب.

سیستم اول:

مطلوب است شناسایی اين سيستم به صورت سری – موازی به صورتی که با ساختار زير توصيف شده باشد:

N شبکه عصبی است. خروجی مدل شناسائی شده و سيستم را به ازای ورودی عکس فرمول در یک نمودار نشان دهید.

سیستم دوم:

مطلوب است شناسایی f به صورت سری-موازی با استفاده از شبکه عصبی. خروجی شبکه عصبی بعد از شناسایی و سيستم را به ازای ورودی زير در يک نمودار نشان دهيد.

توجه:

مشخصات شبکه، تعداد دور يادگيری، ضريب يادگيری و غيره را برای هر سيستم مشخص نماييد.

تصاویر خروجی پروژه شناسایی یک سیستم با شبکه عصبی RBF :

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4:

تصویر خروجی 5:

کدهای پروژه شناسایی یک سیستم با شبکه عصبی RBF :

clc; clear; close; warning off;

y(1)=0; 
y(2)=0;
N=500;

for k=2:N
    f(k)=y(k)*(y(k-1)+2)*(y(k)+2.5)/(8.5+y(k)*y(k)+y(k-1)*y(k-1));
    u(k)=(rand-0.5)*4;
    y(k+1)=f(k)+u(k);
end

for k=1:(N-1)
    input(1, k)=y(k+1);
    input(2, k)=y(k);
    target(k)=f(k+1);
end

net=newff(minmax(input), [10 1], {'tansig', 'purelin'});
net.trainParam.goal=0.005
net=train(net, input, target);

for k=1:200
    u(k)=2*sin(2*pi*k/25);
end

yp(1)=0;
yp(2)=0;
ycap(1)=0;
ycap(2)=0;
for k=2:500
    yp(k+1)=yp(k)*(yp(k-1)+2)*(yp(k)+2.5)/(8.5+yp(k)*yp(k)+yp(k-1)*yp(k-1))+u(k);
    ycap(k+1)=sim(net, [ycap(k); ycap(k-1)])+u(k);
end

figure (1)
plot(1:501, yp, 'r', 1:501, ycap, 'g');

clc; clear; close; warning off;

y(1)=0;

y(2)=0;

N=500;

for k=2:N

f(k)=y(k)*(y(k-1)+2)*(y(k)+2.5)/(8.5+y(k)*y(k)+y(k-1)*y(k-1));

u(k)=(rand-0.5)*4;

y(k+1)=f(k)+u(k);

end

for k=1:(N-1)

input(1, k)=y(k+1);

input(2, k)=y(k);

target(k)=f(k+1);

end

net=newff(minmax(input), [10 1], {'tansig', 'purelin'});

net.trainParam.goal=0.005

net=train(net, input, target);

for k=1:200

u(k)=2*sin(2*pi*k/25);

end

yp(1)=0;

yp(2)=0;

ycap(1)=0;

ycap(2)=0;

for k=2:500

yp(k+1)=yp(k)*(yp(k-1)+2)*(yp(k)+2.5)/(8.5+yp(k)*yp(k)+yp(k-1)*yp(k-1))+u(k);

ycap(k+1)=sim(net, [ycap(k); ycap(k-1)])+u(k);

end

figure (1)

plot(1:501, yp, 'r', 1:501, ycap, 'g');

ژاله خبیری چهارشنبه , 23 تیر
پاسخ دادن
سلام دستتون درد نکنه من همیشه به سایت شما مراجعه می کنم هر سری هم دانلود رایگان جدید تو سایت می زارید خیلی ممنون زحمت می کشید .
عادل رحیمی دوشنبه , 8 بهمن
پاسخ دادن
سلام یه سوال داشتم، می خواستم بدونم روش پرونی در مورد تخمین فرکانس تابع چیه یه سری اطلاعات راجع بهش می خواستم.

آموزش طراحی و کنترل مبدل DC/DC در سیمولینک MATLAB

آموزش تجزیه و تحلیل شبکه اجتماعی با R

فیلم آموزش شبیه سازی موتور DC با سیمولینک MATLAB به همراه فایل پروژه

آموزش یادگیری عمیق با پایتون (Deep Learning with Python) به همراه فایل تمرین

آموزش سیستم عامل به صورت فیلم آموزشی

فیلم آموزش مفهومی شبکه بین خودرویی VANET

فیلم آموزش پیاده سازی پروژه Video Conferencing و VOIP با نرم افزار OPNET

شناسایی یک سیستم با شبکه عصبی RBF با متلب

دانلود رایگان پروژه شناسایی یک سیستم با شبکه عصبی RBF با متلب