کنترل
سال:1403 | دوره:18 | شماره:2 |تعداد مقالات:7

1این مقاله روشی جدید در استفاده از داده های جمع آوری شده از حرکت تصادفی عامل در محیط برای تنظیم اولیه ی پارامترهای یک کنترلگر با ساختار یادگیری تقویتی فازی ارائه می دهد. کندی سرعت آموزش و تعداد شکست بالا در زمان آموزش دو چالش مهم در این قبیل ساختارها هستند. مقداردهی اولیه ی پارامترهای سیستم فازی می تواند راهکار مناسبی برای رفع این چالش ها باشد. در این مقاله با تعمیم روش تکرار ارزش گسسته به پیوسته بدون بهره گیری از روش های مبتنی بر مشتق، پارامترهای سیستم فازی مقدار دهی اولیه می شوند. ابتدا با تعامل تصادفی عامل با محیط داده های مرتبط جمع آوری می شود. با توجه به آنکه فضای حالت پیوسته است، داده ها به طور مناسب خوشه بندی شده و هر خوشه به عنوان یک حالت لحاظ می گردد. آنگاه با تعمیم روش تکرار ارزش استاندارد به پیوسته ماتریس احتمال انتقال حالت-عمل به حالت بعدی و امید پاداش آنی حالت-عمل به حالت بعدی محاسبه می شود. با استفاده از نتایج این مرحله پارامترهای ساختار یادگیری تقویتی فازی مقدار دهی اولیه می شوند. پس آز آن پارامترهای این ساختار به صورت برخط با روش یادگیری تقویتی تنظیم نهایی می گردند. روش ارایه شده "یادگیری تقویتی فازی مبتنی بر تکرار ارزش" نامیده می شود و در مسئله ی ربات تعقیب کننده ی هدف مورد استفاده قرار می گیرد. نتایج آزمایش ها حاکی از بهبود قابل توجه عملکرد روش ارائه شده در مسئله ی ربات تعقیب کننده ی هدف است.

1به دلیل کاربرد گسترده ی سیستم های چندعاملی، در سال های اخیر این سیستم ها مورد توجه بسیاری از محققین قرار گرفته اند. از جمله مسائلی که در زمینه ی سیستم های چندعاملی مطرح شده، آرایش بندی دوبخشی در این سیستم ها است. از این رو در این تحقیق آرایش بندی توزیع شده ی دوبخشی سیستم های چندعاملی غیرخطی مرتبه دو، با رویکرد رهبر-پیرو، مورد بررسی قرار گرفته است. در رویکرد ارایه شده، عامل ها غیرهمگن در نظر گرفته شده اند و گراف ارتباطی بین عامل ها نیز جهت دار است . با توجه به عدم ارتباط همه ی عامل ها با رهبر گروه، به منظور بازسازی اطلاعات رهبر، در هر عامل از یک مشاهده گر زمان متناهی، جهت تخمین دینامیک رهبر استفاده شده است. همچنین با توجه به اینکه استفاده از رویکرد زمان متناهی در بسیاری از کاربردهای عملی منجر به افزایش عملکرد و کارایی سیستم می شود، از کنترل کننده مود لغزشی ترمینال استفاده شده که منجر به زمان متناهی بودن آرایش بندی می گردد. در انتها نتایج تئوری با استفاده از شبیه سازی مورد تجزیه و تحلیل قرار گرفته تا صحت روابط به دست آمده نیز بررسی شود.

1در بحث رابط مغز و ماشین، به عمل تشخیص و تبدیل تصمیمات مغز به دستوراتی که قابل درک برای ماشین باشد، رمزگشایی گفته می-شود. با وجود پیشرفت¬های بدست آمده در حوزه رابط مغز و ماشین، رمزگشایی همچنان یکی از مباحث چالش بر انگیز بوده است. بعلاوه، بسیاری از روش های پیشنهادی به دلیل حجم محاسباتی بالای خود به پردازنده ای مانند رایانه جهت اجرای الگوریتم های خود نیاز دارند. این دسته از رویکردها به دلیل حجم و توان مصرفی رایانه ها رویکردی عملی برای یک سیستم رابط مغز و ماشین قابل کاشت در بدن به حساب نمی آیند. برای رفع این مشکلات در پژوهش پیشرو از یک رویکر نوین با الهام از روش محاسبات ابر بعدی استفاده شده است. به شکل خلاصه در این روش ابتدا فضای ورودی به یک بردار صفر و یک تبدیل می شود که در گام بعدی به وسیله یک الگوریتم مقایسه، شبیه ترین الگو به فضا های خروجی به عنوان خروجی نهایی انتخاب می شود. روش پیشنهادی به کمک بانک داده ای ثبت شده از ناحیه جلوی چشم (Frontal Eye Field) از دو میمون مذکر (rhesus) که در یک تست نگاه کردن به اهداف در 8 زاویه شرکت داشته اند ارزیابی شده است. نتایج حاکی از دقت بدست آمده 51.5 درصد با حجم محاسباتی بسیار پایین است. از طرفی دیگر با پیاده سازی رویکرد پیشنهادی بر روی یک آرایه ی دروازه ی میدانی برنامه پذیر (FPGA) نشان داده شد این روش یک سیستم رابط مغز و ماشین بلادرنگ قابل کاشت در بدن با حجم محاسباتی بسیار پایین با دقتی متوسط است.

1استفاده از روش های مرسوم تلفیق سیستم ناوبری اینرسی با یک سیستم کمک ناوبری مانند سیستم ماهواره ای ناوبری جهانی به کمک فیلتر کالمن توسعه یافته نیازمند صرف زمان زیاد برای تعیین مقادیر اولیه نسبتاً دقیق در فرآیند ترازیابی اولیه است. این فیلتر در صورت وجود خطای اولیه بزرگ به دلیل وابستگی ژاکوبی ها به متغیرهای حالت، همگرایی کندی داشته و ممکن است واگرا گردد. فیلتر کالمن توسعه یافته نامتغیر با تغییر روش تعریف خطا و استفاده از تئوری تغییرناپذیری توانایی رفع این مشکل را داشته و همگرایی آن به خطای مقادیر اولیه وابستگی ندارد. در این مقاله با هدف حذف وابستگی ناوبری به ترازیابی اولیه، از این فیلتر برای تلفیق سیستم ناوبری اینرسی و سیستم موقعیت یاب جهانی استفاده شده است. بدین منظور با تعبیه کردن متغیرهای ناوبری به عنوان یک گروه لی ماتریسی و تعریف خطا به صورت ضرب ماتریسی، مستقل از حالت بودن دینامیک خطا اثبات و معادله آن ارائه می گردد. مقایسه نتایج تلفیق با استفاده از فیلتر کالمن توسعه یافته نامتغیر، فیلتر کالمن توسعه یافته استاندارد و توسعه یافته حالت خطا به کمک داده های واقعی و تحت خطاهای اولیه مختلف بیانگر کار آیی قابل توجه فیلتر کالمن نامتغیر، توانایی آن برای رفع واگرایی یا همگرایی کند روش های مرسوم و امکان کاهش زمان آماده به کار سیستم با حذف ترازیابی اولیه است.

1در این مقاله، یک رویکرد کنترل مقاوم سلسله مراتبی جدید مبتنی بر ترکیب کنترل غیرمتمرکز و توزیع شده برای کنترل ولتاژ و تسهیم توان در ریزشبکه های DC جزیره ای با در نظر گرفتن عدم قطعیت ها و اغتشاشات در حلقه های کنترل اولیه و کانال های مخابراتی در لایه ی ثانویه پیشنهاد شده است. عدم قطعیت ها و اختلالات عوامل اساسی هستند که می توانند بر پایداری یک ریزشبکه تأثیر بگذارند. برخلاف روش های قبلی، ابتدا با استفاده از یک ساختار کنترل مقاوم غیرمتمرکز PI مبتنی بر تئوری خاریتانوف حلقه ی کنترل اولیه ی ولتاژ با در نظر گرفتن عدم قطعیت ها و اغتشاشات به صورت مقاوم طراحی می شود؛ با پیش خور کردن این تغییرات و عدم ورود آن ها به کانال مخابراتی در لایه ی ثانویه با استفاده از ساختار کنترل مقاوم PI توزیع شده به جبران انحرافات ولتاژ در لایه ی اولیه می پردازیم. کنترل کننده پیشنهادی علاوه بر سادگی و مقاوم بودن مبتنی بر پروتکل اجماع و غیرمتمرکز مقاوم جدید است که نرخ هم گرایی بالاتری نسبت به پروتکل های قبلی دارد و عملکرد آن در شرایط عدم قطعیت ها و اغتشاشات بزرگ کاملاً رضایت بخش است. شبیه سازی های مختلف در جعبه ابزار MATLAB/SimPowerSystems بر روی یک ریزشبکه ی DC استاندارد شامل چهار منبع تولیدپراکنده و تحت سناریوهای مختلف انجام می شود. نتایج شبیه سازی کارایی کنترل کننده پیشنهادی را نشان می دهد. به طور کلی، کنترل کننده پیشنهادی قابلیت اطمینان ریزشبکه ها را از طریق ارسال بسیار کم داده ها در کانال مخابراتی افزایش می دهد.

1این مقاله، به طراحی کنترل محرک-رویداد توزیع شده برای کلاسی از سیستم های چندعاملی نامشخص با فیدبک اکید مرتبه کسری در حضور عیب عملگر با استفاده از رویکرد پسگام می پردازد. برای کاهش بار ارتباطی در شبکه تحت کنترل و جلوگیری از اتلاف منابع انرژی، سیگنال کنترلی براساس دیدگاه مبتنی بر رویداد طراحی شده است. در فرآیند طراحی، با توجه به عدم قابلیت اندازه گیری حالت های عوامل پیرو به صورت مستقیم، مشاهده گر حالت تطبیقی عصبی مرتبه کسری برای تقریب حالت های نامعین معرفی می شود. همچنین از قوانین تطبیق مجهز به شبکه عصبی برای جبران سازی اثرات توابع غیرخطی نامعین استفاده شده و پس از آن روش تطبیقی برای جبران عیب های عملگر استفاده شده است. در انتها، بر اساس رویکرد پایداری مرتبه کسری لیاپانوف و نظریه گراف، تحلیل پایداری شبکه کنترلی حلقه بسته ارائه شده تا اطمینان حاصل شود که تمام سیگنال های سیستم کنترلی یه صورت کراندار نهایی یکنواخت محدود هستند.

1در سال­های اخیر، طبقه­بندی بلادرنگ نوع خودرو، به دلیل کاربردش در کنترل و تحلیل ترافیک، از موضوعات جذاب و بسیار پرکاربرد بوده ­است. با توجه به محدودیت تعداد نمونه ای آموزشی برچسب دار باکیفیت، تغییرات در وضعیت زاویه­ای خودرو و دوربین، کیفیت و وضوح تصویر، نور و شرایط آب و هوایی، دقت تشخیص از چالش های مهم در سیستم های تشخیص نوع خودرو می باشد. در این مقاله، یک شبکه­ی کانولوشن بلادرنگ جدید برای تشخیص نوع خودرو­ها با دقت بالا معرفی شده­است. در ساختار عصبی پیشنهادی، لایه­ی ادغام جدید با استفاده از تبدیل موجک هار علاوه بر کاهش ابعاد نقشه­ی ویژگی خروجی از لایه­ی کانولوشن، قابلیت استخراج ویژگی را نیز دارد. نوآوری دیگر ساختاری، استفاده از بلوک­های فشار-تحریک قبل از لایه­های کانولوشن میانی می باشد که موجب بالارفتن دقت بازشناسی می شود. علاوه براین، در الگوریتم یادگیری پس انتشار، با اصلاح روش به­روز­رسانی وزن­ها، از طریق تغییر ساختار بهینه­سازها، پایداری بیشتر شبکه و بالا­تر­رفتن دقت بازشناسی حاصل شده است. روش پیشنهادی روی دو مجموعه داده­ی IRVD و مجموعه MIO-TCD ارزیابی شده­است. نتایج ارزیابی نشان می دهند که ساختار پیشنهادی در مقایسه با ساختار­های کانولوشن رایج، از نظر معیار­های طبقه­بندی، عملکرد بهتری داشته است.