تحقیق و پایان نامه

بررسی مسائل کیفیت توان، پیدا کردن یک مشخصه درست از پدیده های …

۳-۲-۵- سیستمهای استنتاجی فازی عصبی:
پیچیدگی برخی از مسایل مانند پیش بینی بار و تفکیک حالات مختلف، نیاز به روشها و ابزارهای خبره برای ساخت یک سیستم هوشمند است. یکی از روشهای مطمئن برای دستیابی به این هدف استفاده از سیستمهای فازی به عنوان پیش بینی کننده و شناسایی کننده است. ترکیب منطق فازی با ساختار شبکه عصبی مصنوعی منجر به ایجاد سیستمهای فازی عصبی که دارای مزایای محاسبه مسیر پیشخور بوده و قابلیت یادگیری پس انتشار شبکه های عصبی را دارند در حالیکه خصوصیات سیستم فازی را نیز به همراه دارند.
این شبکه از دو بخش عمده تشکیل شده است. بخش اول بخش مقدم و بخش دوم بخش نتیجه میباشد. این دو قسمت توسط قوانین تعیین شده به یکدیگر متصل میگردند. شبکه سیستمهای استنتاجی فازی عصبی از پنج لایه تشکیل شده است. لایه اول لایه پروسه فازی سازی را انجام میدهد. لایه دوم عمل AND فازی را برای قسمت مقدم از قوانین فازی انجام میدهد. لایه سوم توابع عضویت را نرمالیزه میکند. لایه چهارم بخش نتیجهگیری از قوانین فازی را انجام میدهد. لایه آخر خروجی سیستم فازی را با جمع خروجیهای لایه چهارم محاسبه میکند.
از آنجاییکه شناسایی شکل موجهای وقایع کیفیت توان همیشه با عدم قطعیت فراوان مواجه است میتواند به طور موثری در کاربردهای شناسایی الگو به کار گرفته شود[۴۹]، [۲۳]، [۴۳].
اکثر روشهای هوشمند ارائه شده بر مبنای شبکههای عصبی مصنوعی از نوع پیشخور میباشند که از الگوریتم پس انتشار خطا برای آموزش شبکه استفاده شده است. دیگر انواع شبکههای عصبی بیشتر از نوع شبکههای عصبی پایه شعاعی هستند. اما با وجود اینکه این شبکهها دارای قابلیت یادگیری و تعمیم پذیری خوبی هستند اما دارای مشکلات زیر میباشند.
۱- پروسه آموزش بسیار طولانی و خسته کننده است و ساختار کلی شبکه به روش تجربی به دست میآید یعنی هیچ قانون خاصی برای تعیین تعداد لایهها و نرونهای شبکه وجود ندارد.
۲- در طی فرآیند آموزش شبکه، ممکن است پارامترهای شبکه در نقطه مینیمم محلی گرفتار شوند و هیچ بهبودی در عملکرد شبکه حاصل نشود.
تبدیل موجک نیز به عنوان یکی از روشهای پردازش سیگنال که اطلاعات خوبی از مشخصات فرکانس– زمانی سیگنال به دست میدهد، در بسیاری از تحقیقات مورد توجه قرار گرفته است. تبدیل موجک با استفاده از فیلترهای بالا و پایین گذر میتواند سیگنال مورد نظر را به چندین سطح دلخواه تجزیه کند. محتویات فرکانس پایین در سیگنال تقریب و محتویات فرکانس بالا در محدودههای فرکانسی مشخصی در جزییات ظاهر میشوند. مشکلات اساسی که در ارتباط با تبدیل موجک وجود دارند عبارتند از:
۱- برای هر سیگنال موجکهای مادر مختلفی باید مورد بررسی و مطالعه قرار بگیرند.
۲- سطوح تجزیه مورد نیاز برای آنالیز سیگنال مشخص نیست و باید از روش سعی و خطا مشخص گردد.
۳- تبدیل موجک هیچ اطلاعاتی در ارتباط با ویژگیهای فرکانس مشخصی به دست نمیدهد بلکه اطلاعات برای یک طیف مشخصی از فرکانسها در حوزه زمان به دست میآیند.
۴-تبدیل موجک ذاتاً حساس به نویز است و خصوصاً اگر از ویژگیهای فرکانس بالا استفاده گردد، باید از تکنیکهای حذف نویز استفاده نمود.
۳-۳- روشهای انتخاب ویژگی:
یکی از نکاتی که در بسیاری از روشها نادیده گرفته شده، این است که ویژگیهای استخراج شده از سیگنالهای اغتشاشات کیفیت توان بر اساس مقایسه و تحلیل و آنالیز عددی تحت شرایط مختلف با یکدیگر صورت میگیرد. هیچ روش خاصی برای انتخاب برخی ویژگیهای بارز از مجموعه بردارهای ویژگی صورت نگرفته است. به نظر میرسد با آنالیز دقیقتر و انتخاب ویژگیهایی که دارای قدرت تفکیک و طبقهبندی بالایی هستند، دقت الگوریتم ارائه شده بهبود یابد. [۳۷] روشهای انتخاب ویژگیها معمولاً به دو گروه عمده فیلترها[۳۱] و رپرها[۳۲] تقسیم بندی میشوند. فیلترها به آنالیز دادهها میپردازند و از بین آنها ویژگیهایی انتخاب میگردند که دارای اهمیت بیشتری هستند، روشهای آنالیز همبستگی دادهها در این گروه جای میگیرند. رپرها نیز دسته دیگر از روشهای انتخاب ویژگی هستند که با توجه به دقت طبقهبندی کننده، ویژگیهای مهم و پراهمیت را انتخاب میکند. با کمک یکی از این دو روش میتوان به انتخاب ویژگیهای مهم یک سیگنال اقدام نمود. . انتخاب پیشرو و پسرو ترتیبی[۸] و [۴۵]، انتخاب پیشرو و پسرو ترتیبی تعمیم یافته، انتخاب شناور پیشرو ترتیبی و روشهای جستجوی تصادفی مانند الگوریتم ژنتیک [۲۴] در گروه رپرها جای میگیرند.
۳-۳-۱- روش انتخاب ویژگی پیشرو[۳۳]:
این روش، کارش را با یک مجموعه خالی شروع میکند سپس در هر تکرار یک ویژگی با استفاده از تابع ارزیابی مورد استفاده، به مجموعه جواب اضافه میکند این کار را تکرار می کند تا زمانیکه تعداد ویژگی لازم انتخاب شود. مشکلی که این روش دارد این است که ویژگی اضافه شده در صورتیکه مناسب نباشد از مجموعه جواب حذف نمیشود. [۳۷]
۳-۳-۲– روش انتخاب ویژگی پسرو[۳۴]:
این روش برعکس روش بالاست و کارش را با مجموعهای شامل تمام ویژگیها شروع میکند و در هر بار تکرار الگوریتم، ویژگی که بوسیله تابع ارزیابی انتخاب میشود، را از مجموعه مورد نظر حذف میکند. این کار را تا زمانی ادامه میدهد که تعداد ویژگیها برابر یک تعداد معینی شود. مانند روش قبل مشکل این روش این است که ویژگی مناسب حذف شده را به مجموعه اضافه نمیکند. [۳۷] و[۴۵]
۳-۳-۳- الگوریتم ژنتیک:
روش یادگیری بر پایه تکامل بیولوژیک است.این روش در سال ۱۹۷۰ توسط جان هلند[۳۵] معرفی گردید و با نام الگوریتم تکاملی[۳۶] نیز خوانده میشوند. یک GA برای حل یک مسئله مجموعه بسیار بزرگی از راه حلهای ممکن را تولید میکند. هر یک از این راه حلها با استفاده از یک “ تابع تناسب” مورد ارزیابی قرار میگیرد. آنگاه تعدادی از بهترین راه حلها باعث تولید راه حلهای جدیدی میشوند. که اینکار باعث تکامل راه حلها میگردد. بدین ترتیب فضای جستجو در جهتی تکامل پیدا میکند که به راه حل مطلوب برسد در صورت انتخاب صحیح پارامترها، این روش میتواند بسیار موثر عمل نماید
فصل چهارم
تجزیه و تحلیل
داده ها
بعد از آشنایی با روشهای پیشنهادی در این فصل به نحوهی تولید داده و چگونگی استخراج بردار ویژگیها و طبقهبندی پرداخته میشود. دو روش شبکه عصبی و ماشین بردار پشتیبان در این پروژه بکار گرفته شده است. بعد از ذکر جزئیات اجرای روش، به بیان نتایج و در نهایت نتیجهگیری و ارزیابی پرداخته خواهد شد.
۴-۱- روش پیشنهادی:
یکی از روشهای کارآمد در پایش کیفیت توان استفاده از روشهای شناسایی الگو است. در این پژوهش، روش پیشنهادی بر مبنای سیستم شناسایی الگو برای طبقهبندی انواع وقایع کیفیت توان ارائه شده است.
عملکرد سیستمهای اتوماتیک شناسایی الگو[۳۷] شامل دو قسمت اساسی هستند. همانطور که در شکل (۴-۱) نشان داده شده است
بخش شرح و توصیف[۳۸]، مشخصههایی را با استفاده از تکنیکهای استخراج مشخصه از وقایع کیفیت توان تولید میکند و بخش طبقهبندی[۳۹] که برچسب یک گروه از وقایع کیفیت توان را بر اساس آن مشخصهها (استخراج شده از مرحله قبل) با استفاده از یک طبقهبندی کننده تعیین میکند. وظایف توصیف و طبقهبندی هر دو با یکدیگر بکار می روند تا برچسب هر کدام از موارد بدون بر چسب را با بیشترین دقت توسط سیستم شناسایی الگو تعیین کنند.

حتما بخوانید :   شناسایی و رتبه بندی عوامل موثر بر جذب بیمه گذاران بیمه های تکمیلی درمان- ...

شکل (۴-۱): دو بخش مجزای استفاده شده در روش شناسایی الگو

استخراج مشخصه از مراحل بسیار مهم است چرا که ابعاد بردار ورودی را به منظور بکارگیری توسط طبقهبندی کننده، کاهش میدهد. مشخصههایی که به درستی گروهها را متمایز میکنند، در وظیفه شناسایی کمک خواهند کرد، در حالیکه از دست رفتن چنین مشخصههایی مانع از رسیدن طبقهبندی کننده به شناسایی با دقت بالا میشود. نتیجه نهایی بخش توصیف مجموعهای از مشخصههاست، که عموماً بردار مشخصه نامیده میشود که شامل توصیفی از دادههاست. بخش طبقهبندی کننده از یک طبقهبندی کننده برای نگاشت بردار مشخصه به یک گروه استفاده میکند. هم چنین، نگاشت میتواند به طور دستی باشد یا عموماً فاز آموزشی که بردار نگاشت از مجموعهای از بردارهای ویژگی بدون برچسب که به طبقهبندیکننده معرفی شدهاند، بکار رود. بنابراین، واضح است که تکنیکهای خوب استخراج مشخصه، باید قادر به استخراج بردارهای ویژگی معین با روشی باشند که مشخصههایی با کمترین ارتباط با هم، برای توصیف کامل سیستمها بکار روند. بنابراین، بار محاسباتی طبقهبندی کننده میتواند کاهش یابد.
۴-۱-۱- شبیهسازی وقایع مختلف کیفیت توان:

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.

You may also like...