شناسایی سیستم های غیرخطی با استفاده از شبکه های عصبی دینامیکی با الگوریتم یادگیری پایدار و کاربرد آن بر روی سیستم های v2g

تجزیه و تحلیل عملکرد هر سیستم فیزیکی، نیاز به شناخت صحیح رفتارهای آن سیستم دارد و این نیاز باعث به وجود آمدن علم شناسایی برای آنالیز و مدل کردن سیستم شده است. چون اکثر سیستم های فیزیکی غیرخطی هستند، شناسایی سیستم های غیرخطی بسیار مورد توجه بوده و از روش های گوناگونی مانند روش های سنتی شناسایی سیستم های غیرخطی و روش های مدرنی چون استفاده از شبکه های عصبی، منطق فازی و روش های نرو-فازی ترکیبی برای مدل کردن این نوع از سیستم ها استفاده شده است. در دهه های اخیر از شبکه های عصبی به ویژه شبکه های عصبی دینامیکی، برای شناسایی سیستم های غیرخطی استفاده شده و این از آن روست که شبکه های عصبی به دلیل دارا بودن خاصیت غیرخطی در ساختارشان، به راحتی و با آموزش خوب می توانند سیستم های غیرخطی را شناسایی و مدل کنند. به همین دلیل و در جهت آشنایی بیشتر با شبکه های عصبی دینامیکی برای شناسایی سیستم های غیرخطی، در این پایان نامه مروری بر شبکه های عصبی گوناگون (انواع استاتیکی و دینامیکی) داشته و به بررسی نوع خاصی از شبکه های عصبی دینامیکی می پردازیم. شبکه عصبی مورد نظر این پایان نامه، شبکه های عصبی elman می باشد که با اصلاحات و بهبودی که در سال های اخیر در ساختار آن صورت گرفته، ساختارهای تعمیم یافته و اصلاح شده آن، نتایج قابل قبولی از شناسایی سیستم های غیرخطی به وجود آورده اند. در این پایان نامه به معرفی و بررسی شبکه های عصبی elman می پردازیم و مدل های بهبود یافته این شبکه عصبی را که هر کدام به نحوی باعث به وجود آمدن نتایج خوبی در شناسایی سیستم های غیرخطی شده اند بررسی می کنیم و در ادامه آن شبکه عصبی بهبود یافته جدیدی را معرفی نموده و آن را از نقطه نظر پایداری تحلیل می کنیم و مثال هایی از شناسایی و شبیه سازی سیستم های غیرخطی با این شبکه را ارائه داده نتایج آن را با نتایج شبیه سازی های شبکه عصبی elman جدید معرفی شده مقایسه می کنیم.