• بازدید : 145 views
  • بدون نظر
دانلود پروژه پایان نامه کارشناسی ارشد برق طراحي فيلتر تطبيقي غيرخطي جهت كنترل نويز فعال با استفاده از روش هاي هوشمند,پایان نامه کارشناسی ارشد برق,پروژه کارشناسی ارشد رشته برق,دانلود رایگان پروژه کارشناسی ارشد برق,دانلود رایگان پایان نامه word رشته برق,دانلود پایان نامه و پروژه pdf و word کارشناسی ارشد برق,خرید و فروش و انجام پایان نامه و پروژه کارشناسی ارشد برق,دانلود پروژه پایان نامه مهندسی ارشد رشته برق گرایش کنترل,پروژه و پایان نامه ارشد برق گرایش کنترل,دانلود تحقیق و مقاله کارشناسی ارشد مهندسی برق کنترل,دانلود پایان نامه درباره طراحي فيلتر تطبيقي غيرخطي جهت كنترل نويز فعال با استفاده از روش هاي هوشمند,دانلود پروپوزال کارشناسی ارشد رشته مهندسی برق گرایش کنترل,دانلود پروژه و پایان نامه آماده دانشجویی رشته برق کنترل
با سلام گرم خدمت تمام دانشجویان عزیز و گرامی . در این پست دانلود پروژه پایان نامه کارشناسی ارشد برق کنترل طراحي فيلتر تطبيقي غيرخطي جهت كنترل نويز فعال با استفاده از روش هاي هوشمند رو برای عزیزان دانشجوی رشته برق گرایش کنترل قرار دادیم . این پروژه پایان نامه در قالب ۹۸ صفحه به زبان فارسی میباشد . فرمت پایان نامه به صورت پی دی اف PDF هست و قیمت پایان نامه نیز با تخفیف ۵۰ درصدی فقط ۱۲ هزار تومان میباشد …

از این پروژه و پایان نامه آماده میتوانید در نگارش متن پایان نامه خودتون استفاده کرده و یک پایان نامه خوب رو تحویل استاد دهید .

توجه : برای خرید این پروژه و پایان نامه با فرمت تمام متنی word و قابل ویرایش با شماره ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید .

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
پایان نامه جهت دریافت درجه کارشناسی ارشد
رشته برق – گرایش کنترل
عنوان پایان نامه : طراحي فيلتر تطبيقي غيرخطي جهت كنترل نويز فعال با استفاده از روش هاي هوشمند

راهنمای خرید فایل از سایت : برای خرید فایل روی دکمه سبز رنگ (خرید و دانلود) کلیک کنید سپس در فیلدهای خالی آدرس ایمیل و سایر اطلاعات خودتون رو بنویسید سپس دکمه ادامه خرید رو کلیک کنید . در این مرحله به صورت آنلاین به بانک متصل خواهید شد و پس از وارد کردن اطلاعات بانک از قبیل شماره کارت و پسورد خرید فایل را انجام خواهد شد . تمام این مراحل به صورت کاملا امن انجام میشود در صورت بروز مشکل با شماره موبایل ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید و یا به ایمیل info.sitetafrihi@gmail.com پیام بفرستید .
فهرست مطالب
عنوان مطالب شماره صفحه
چكيده ۱
مقدمه ۲
فصل اول : كليات ۴
۱) هدف ۵ -۱ °
۲) پيشينه تحقيق ۵ -۱ °
۳) روش كار و تحقيق ۶ -۱ °
فصل دوم : كنترل نويز فعال ۷
۱) نويز صوتي ۸ -۲ °
۱-۱-۲ ) خواص آماري نويز ۹ °
۲) حذف نويز ۱۲ -۲ °
۳) سيستم كنترل نويز فعال ۱۲ -۲ °
۱۳ feedforward 1-3-2 ) كنترل نويز فعال با ساختار °
۲-۳-۲ ) كنترل نويز فعال با ساختار فيدبك ۲۷ °
۴) الگوريتم ها در سيستم كنترل نويز فعال ۱۵ -۲ °
۱۶ feedforward 1-4-2 ) الگوريتم مورد استفاده در كنترل فعال نويز با ساختار °
۲-۴-۲ ) تاثير مسير ثانويه ۱۶ °
۱۸ filtered X.Least Mean Square 3-4-2 ) الگوريتم °
فصل سوم : شبكه هاي عصبي و كاربرد آن در سيستم هاي كنترلي ۲۱
۱) ساختار پرسپترون چند لايه ۲۲ -۳ °
۲) آموزش شبكه چندلايه ۲۴ -۳ °
۲۵ feedforward 3) شبكه عصبي -۳ °
۴) شبكه عصبي بازگشتي ۲۷ -۳ °
ز
۵) ساختار كنترلي شبكه هاي عصبي ۲۹ -۳ °
۱-۵-۳ ) كنترل كننده پايدارساز ثابت ۲۹ °
۲-۵-۳ ) كنترل معكوس تطبيقي ۳۰ °
۳-۵-۳ ) كنترل مدل داخلي غيرخطي ۳۱ °
۴-۵-۳ ) كنترل مدل پيشگو ۳۱ °
۵-۵-۳ ) كنترل مدل مرجع ۳۲ °
۶) ساختار سيستم كنترل مدل مرجع بر مبناي شبكه عصبي ۳۳ -۳ °
براي شبكه عصبي Backpropagation 1-6-3 ) آموزش كنترل مدل مرجع با الگوريتم °
بازگشتي
۳۴
۳۵ backpropagation با استفاده از الگويتم NNI 2-6-3 ) آموزش شبكه °
۳۶ backpropagation با استفاده از الگويتم NNC 3-6-3 ) آموزش شبكه °
براي كنترل فعال نويز ۳۷ filtered.x backpropagation 7) الگوريتم -۳ °
فصل چهارم : شبيه سازي كنترل نويز فعال با استفاده از شبكه هاي عصبي ۴۱
۱) پياده سازي سيستم ۴۲ -۴ °
۲) بررسي حذف نويز بدون در نظرگرفتن كنترلر ۴۳ -۴ °
۳) شناسايي سيستم داكت با شبكه عصبي ۴۶ -۴ °
۴) شبكه عصبي كنترل فعال نويز براي سيستم خطي بدون در نظرگرفتن تاثير مسير -۴ °
ثانويه
۵۳
۵) شبكه عصبي كنترل فعال نويز براي سيستم خطي با كنترل فعال نويز ۵۵ -۴ °
۱-۵-۴ ) شبيه سازي با نويز موتور ۵۵ °
۲-۵-۴ ) شبيه سازي با نويز سفيد ۶۳ °
۶) شبكه عصبي كنترل فعال نويز براي سيستم غيرخطي با كنترل فعال نويز ۶۵ -۴ °
۱-۶-۴ ) شبيه سازي با نويز موتور ۶۵ °
۲-۶-۴ ) شبيه سازي با نويز سفيد ۷۲ °
۷) مقايسه ۷۴ -۴ °
ح
فصل پنجم : نتيجه گيري و پيشنهادات ۷۵
° نتيجه گيري ۷۷
° پيشنهادات ۷۷
پيوست ها ۷۸
منابع و ماخذ ۸۲
° فهرست منابع لاتين ۸۲
° سايت هاي اطلاع رساني ۸۳
چكيده انگليسي ۸۴
ط
فهرست شك لها
عنوان شماره صفحه
۱ : تابع خودهمبستگي براي نويز سفيد ۱۰ -۲
۲: تابع خودهمبستگي براي نويز موتور ۱۰ -۲
۳: تابع خودهمبستگي براي نويز صورتي ۱۰ -۲
۴: نمودارهاي هيستروگرام براي به ترتيب نويز سفيد، نويز صورتي و نويز موتور ۱۱ -۲
۱۳ در سال ۱۹۳۶ paul lueg دياگرام (b) ، تركيب نويز و آنتي نويز (a): 5-2
۱۴ feed forward سيستم كنترل نويز فعال با ساختار (a): 6 -2
پيكره بندي الكتريكي معادل ۱۴ (b): 6 -2
پيكره بندي الكتريكي معادل ۱۵ (b) ، سيستم كنترل نويز فعال با ساختارفيدبك (a) :7 -2
۱۳ Feed forward 8: شناسايي سيستم در كنترل فعال نويزبا ساختار -۲
۹: بلوك دياگرام تغيير يافته سيستم كنترل فعال نويز با درنظرگرفتن مسير ثانويه ۱۶ -۲
۱۸ FX.LMS 10 : بلوك دياگرام ساختار كنترل نويز فعال با الگوريتم -۲
۲۰ Off.line 11 : پياده سازي عملي مدل كردن مسير ثانويه به صورت -۲
۱: شبكه عصبي به عنوان يك تابع تقريب زننده ۲۲ -۳
۲: نرون تك ورودي ۲۳ -۳
۲۳ logsigmoid 3: تابع تبديل -۳
۴: نرون چند ورودي ۲۳ -۳
ورودي ۲۴ R نرون و S 5: لايه اي از نرون ها با -۳
۶: شبكه سه لايه ۲۴ -۳
شبكه عصبي تاخير زماني متمركز ۲۶ (b) ،feedforward شبكه عصبي (a) :7 -3
شبكه المان ۲۷ (b) ، شبكه جردن (a) ، ۸: نمونه اي از شبكه عصبي بازگشتي نسبتاً متصل -۳
شبكه عصبي بازگشتي قطري ۲۸ (b) ، شبكه عصبي بازگشتي تمام متصل (a) :9 -3
۱۰ : كنترل كننده پايدارساز ۳۰ -۳
۱۱ : سيستم كنترل معكوس تطبيقي ۳۰ -۳
ي
۱۲ : كنترل مدل داخلي غيرخطي ۳۱ -۳
۱۳ : كنترل مدل پيشگو ۳۲ -۳
۱۴ : كنترل مدل مرجع ۳۲ -۳
۱۵ : ساختار سيستم كنترل مدل مرجع بر مبناي شبكه عصبي ۳۳ -۳
۳۷ feedforward 16 : پياده سازي كنترل نويز فعال با شبكه عصبي -۳
۱: ترسيم هندسي داكت ۴۲ -۴
۲: پياده سازي كنترل نوبز فعال با شبكه عصب ۴۳ -۴
۴۴ matlab 3-4 : حذف نويز بدون كنترل كننده در محيط سيمولينك
۴ : نويز ورودي به سيستم ۴۵ -۴
۵-۴ : آنتي نويز در سيستم بدون كنترلر ۴۵
۶-۴ : تركيب نويز با آنتي نويز در سيستم بدون كنترلر ۴۵
۷-۴ : پياده سازي كنترل نويز فعال بدون مسير ثانويه ۴۶
۴۷ tapped delay line همراه با feedforward 8 : شبكه عصبي -۴
۹ : داده هاي تست در مرحله آموزش شبكه عصبي شناساگر ۴۸ -۴
در مرحله آموزش شبكه عصبي شناساگر ۴۸ validation 10 : داده هاي -۴
۱۱ : نتايج آموزش شبكه عصبي شناساگر ۴۹ -۴
۱۲ : معيار عملكرد آموزش شبكه عصبي شناساگر ۴۹ -۴
۱۳ : شبيه سازي سيستم شناساگر ۵۰ -۴
۱۴ : نويز ورودي به سيستم ۵۰ -۴
۱۵ : سيگنال خروجي از شبكه عصبي شناساگر ۵۱ -۴
۱۶ : نويز باقي مانده در داكت يا خطاي حاصل از شناسايي ۵۱ -۴
۱۷ : تابع خودهمبستگي براي نويز موتور ورودي به سيستم شناساگر ۵۲ -۴
۱۸ : تابع خودهمبستگي براي نويز باقي مانده در سيستم شناساگر ۵۲ -۴
۱۹ : شبكه عصبي كنترل فعال نويز براي سيستم خطي بدون در نظرگرفتن تاثير مسير -۴
ثانويه
۵۳
۲۰ : نويز موتور ورودي به سيستم كنترل نويز فعال بدون درنظرگرفتن تاثير مسيرثانويه ۵۳ -۴
ك
۲۱ : سيگنال آنتي نويز توليدي در سيستم كنترل نويز فعال بدون درنظرگرفتن تاثير -۴
مسيرثانويه
۵۴
۲۲ : نويز باقي مانده در داكت در سيستم كنترل نويز فعال بدون درنظرگرفتن تاثير -۴
مسيرثانويه
۵۴
شبكه عصبي كنترل نويز فعال با درنظرگرفتن مسير ثانويه ۵۵ (a) : 23 -4
Feed پياده سازي كنترل نويز فعال با درنظرگرفتن مسير ثانويه با شبكه عصبي (b) : 23 -4
forward
۵۵
۲۴ : ساختار مورد استفاده براي آموزش شبكه عصبي كنترل كننده در كنترل فعال نويز ۵۶ -۴
۲۵ : داده هاي تست در مرحله آموزش براي شبكه عصبي مدل پلنت براي سيستم خطي ۵۷ -۴
در مرحله آموزش براي شبكه عصبي مدل پلنت براي validation 26 : داده هاي -۴
سيستم خطي
۵۷
۲۷ : نتايج آموزش براي شبكه عصبي مدل پلنت براي سيستم خطي ۵۸ -۴
۲۸ : معيار عملكرد آموزش شبكه عصبي كنترل كننده براي سيستم خطي ۵۸ -۴
۲۹ : ورودي به شبكه عصبي كنترل كننده و خروجي از شبكه مدل پلنت براي سيستم -۴
خطي
۵۹
براي matlab 30 : ساختار كنترل فعال نويز پياده سازي شده در محيط سيمولينك -۴
سيستم خطي
۵۹
۳۱ : نويز موتور ورودي به كنترل فعال نويز در سيستم خطي ۶۱ -۴
۳۲ : سيگنال آنتي نويز توليدي در كنترل فعال نويز در سيستم خطي ۶۱ -۴
۳۳ : نويز باقي مانده در سنسور اندازه گيري خطا در كنترل فعال نويز در سيستم خطي ۶۱ -۴
۳۴ : تابع خودهمبستگي براي نويز موتور ورودي به سيستم ۶۲ -۴
۳۵ : تابع خودهمبستگي براي سيگنال خطا در كنترل فعال نويز در سيستم خطي ۶۲ -۴
۳۶ : نويز سفيد ورودي به كنترل نويز فعال در سيستم خطي ۶۳ -۴
۳۷ : سيگنال آنتي نويز در مقابل نويز سفيد ورودي به كنترل نويز فعال در سيستم خطي ۶۴ -۴
۳۸ : نويز باقي مانده در سيستم خطي با ورودي نويز سفيد ۶۴ -۴
۳۹ : تابع همبستگي نويز سفيد ورودي به سيستم خطي ۶۴ -۴
۴۰ : تابع همبستگي نويز باقي مانده در سيستم خطي ۶۵ -۴
۴۱ : داده هاي تست در مرحله آموزش براي شبكه عصبي مدل پلنت غيرخطي ۶۶ -۴
ل
در مرحله آموزش براي شبكه عصبي مدل پلنت غيرخطي ۶۶ validation 42 : داده هاي -۴
۴۳ : نتايج آموزش براي شبكه عصبي مدل پلنت غيرخطي ۶۷ -۴
۴۴ : معيار عملكرد آموزش شبكه عصبي كنترل كننده براي پلنت غيرخطي ۶۷ -۴
۴۶ : ورودي به شبكه عصبي كنترل كننده و خروجي از شبكه مدل پلنت غيرخطي ۶۸ -۴
۴۷ : ساختار كنترل فعال نويز پياده سازي شده براي پلنت غيرخطي در محيط -۴
matlab سيمولينك
۶۹
۴۸ : نويز موتور ورودي به سيستم غيرخطي ۷۰ -۴
۴۹ : سيگنال آنتي نويز توليدي در مقابل نويز موتور در سيستم غيرخطي ۷۰ -۴
۵۰ : نويز باقي مانده در سيستم غيرخطي با ورودي نويز موتور ۷۰ -۴
۵۱ : تابع خودهمبستگي براي نويز موتور ورودي به سيستم غيرخطي ۷۱ -۴
۵۲ : تابع خودهمبستگي براي نويز باقي مانده در مقابل نويز موتور ورودي به سيستم -۴
غيرخطي
۷۱
۵۳ : نويز سفيد ورودي به سيستم غيرخطي ۷۲ -۴
۵۴ : سيگنال آنتي نويز توليدي در مقابل نويز سفيد ورودي به سيستم غيرخطي ۷۲ -۴
۵۵ : سيگنال خطاي باقيمانده در مقابل نويز سفيد ورودي به سيستم غيرخطي ۷۳ -۴
۱
چكيده:
در اين پايان نامه ابتدا به بررسي نويز و خواص آماري آن كه اثر مستقيم ب ر روي قابليت پيشگويي
را توضيح مي feedforward سيگنال دارد، مي پردازيم. ساختار كنترل فعال نويز با دو چيدمان فيدبك و
دهيم. پس از آن ساختار فيلترها و الگوريتم حاكم بر آنها و چگونگي تعيين ضرايب فيلترها در كنترل
به طور كامل توضيح feedforward در ساختار كنترل فعال نويز FX.LMS كننده ها و همچنين الگوريتم
داده مي شود. در ادامه به بررسي شبكه هاي عصبي و كاربرد آنها در ساختارهاي كنترلي پرداخته و
و بازگشتي شبكه عصبي به همراه معادلات، تعداد ضرايب وخصوصياتشان بيان مي feedforward نوع
شود. پس از معرفي شبكه هاي عصبي به بررسي كاربرد آنها در ساختارهاي كنترلي پرداخته و در ادامه
ساختار كنترل مدل مرجع را با شبكه عصبي بازگشتي پياده سازي كرده و معادلات لازم براي آموزش
شبكه عصبي كنترل كننده و شبكه عصبي مدل پلنت را معرفي مي كنيم و از اين ساختار براي سيستم
سيستم را شناسايي كرده feedforward كنترل فعال نويز استفاده مي كنيم. در ابتدا با يك شبكه عصبي
و از آن به تنهايي و بدون درنظرگرفتن تاثير پلنت (مسير ثانويه) براي حذف نويز استفاده مي كنيم . در
گام بعدي كنترل فعال نويز را با دو شبكه عصبي كنترل كننده و شبكه عصبي مدل پلنت براي يك
سيستم خطي شبيه سازي نموده و اين كنترل كننده را براي دو نوع نويز سفيد و نويز موتور مورد بررسي
قرار مي دهيم. در انتها، سيستم خطي را با درنظرگرفتن عوامل غيرخطي بلندگو به يك سيستم غيرخطي
تبديل كرده و قابليت سيستم كنترل فعال نويز با شبكه عصبي بازگشتي را در يك سيستم غيرخطي به
منظور حذف نويز مورد مطالعه قرار مي دهيم.
۲
مقدمه:
نويز يك صوت ناخواسته مي باشد. كه هر يك داراي يك سطح از قدرت مي باشد. نويزهاي با قدرت
بالا آزاردهنده هستند و مي توانند مضراتي براي سلامتي انسان، سيستم هاي مخابراتي و ديگر سيستم ها
داشته باشند. با توجه به خصوصيات نويز مانند فركانس و خواص آماري آن مانند تابع خودهمبستگي ،
روش مناسبي براي آن انتخاب مي شود.
روش كلاسيك حذف نويز، روش غيرفعال است كه در آن از عايق بندي صوتي استفاده مي شود كه
براي دسته خاصي از نويزها، آنها كه داراي فركانس بالا مي باشند مورد استفاده قرار مي گيرد. در روش
الكترونيكي كه همان روش فعال ناميده مي شود از كنترل كننده فعال نويز ۱ استفاده مي شود كه اين
روش نيز براي نويزهايي با فركانس پائين مناسب است. در اين كنترل كننده ، هدف ايجاد نويزي برابر با
نويز اصلي و فاز مخالف است تا بتواند با تركيب با نويز اوليه آنرا حذف نمايد و ايجاد سكوت كند. براي اين
كار به يك بلندگو كه سيگنال كنترلي يا حذف كننده را پخش مي كند و يك سنسور براي اندازه گيري
خطا احتياج ميباشد. در روش كلاسيك استفاده از كنترل نويز فعال، از فيلترهاي تطبيقي با ساختارهايي
براي LMS, n.LMS, RLS, FX.LMS,… و از الگوريتم هايي مانند FIR, IIR, Ladder,… مانند
ساختن يك كنترل كننده استفاده مي شود. در اين روش ها الگوريتم با استفاده از معيارهايي مانند
بيشترين شيب نزولي ضرايب فيلترها را تعيين مي كند.
در روش هوشمند براي ساختن كنترل كننده به جاي فيلتر از شبكه هاي عصبي استفاده مي كنيم
backpropagation, filtered.X از الگوريتم هايي مانند LMS,… و به جاي الگوريتم هاي
استفاده مي كنيم. شبكه هاي عصبي به صورت موفقيت آميزي به منظور تقريب، backpropagation,…
شناسايي و كنترل بر روي سيستم هاي ديناميك اعمال مي شوند. شبكه هاي عصبي به خوبي مي توانند
Adaptive inverse control , Model predictive control, در ساختارهاي كنترلي نظير
ايفاي نقش كنند. زماني كه از شبكه هاي Nonlinear model control, Model reference control
عصبي استفاده مي شود بايد ابتدا وزن ها، باياس ها، تعداد نرون ها، لايه ها، تعداد ورودي و خروجي
مشخص گردد كه اين وزن ها و باياس ها توسط الگوريتم هاي آموزشي و داده هاي آموزشي در مرحله
آموزش تعيين مي شوند. در مرحله آموزش معمولاً داده هاي ورودي و خروجي مطلوب براي شبكه
عصبي مشخص مي شود. ساختار شبكه عصبي كه چگونگي اتصال نرون ها در يك لايه و از لايه اي به
۱
Active noise controller,ANC
۳
لايه ديگر را نشان مي دهد بر اساس ميزان سرعت و پيچيدگي و حجم شبكه بوجود آمده تعيين مي شود.
مي باشند. بعد از زمان آموزش feedforward, recurrent,… ساختارهاي متعارف شبكه عصبي ساختار
و براي داده هاي بعدي كه به شبكه هاي عصبي وارد مي شود اين خود شبكه است كه براي خروجي
تصميم مي گيرد. به همين جهت است كه شبكه هاي عصبي جزو روش هاي هوشمند به شمار مي آيند.
Model reference control براي ايجاد يك كنترل كننده فعال نويز با شبكه عصبي بايد از ساختار
استفاده نمود. در اين ساختار دو شبكه عصبي وجود دارد. (الف) شبكه عصبي مدل پلنت (ب) شبكه
عصبي كنترل كننده.
شبكه مدل پلنت براي در نظر گرفتن تاثير مسير ثانويه است و قبل از آموزش شبكه كنترل كننده بايد
آموزش ببيند. از طريق روش شناسايي سيستم، پلنت را مدل مي كنيم. كنترل كننده را به گونه اي
آموزش مي دهيم كه بتواند سيگنال آنتي نويزي توليد كند كه از پلنت عبور كرده و در عين حال رفتار
مدل مرجع را دنبال كند. اين شبكه عصبي كنترل كننده با توجه به مسيري كه قرار است نويز طي كند
يك سيگنال كنترلي توليد مي كند كه اين سيگنال پس از طي مسير ثانويه با نويز اصلي تركيب شده و
براي آموزش كنترل filtered.x backpropagation بايد بتواند تا حدودي آنرا خنثي نمايد. از الگوريتم
كننده استفاده مي كنيم. ميزان موفقيت آميز بودن حذف نويز توسط سنسور خطا اندازه گيري مي شود.
شبيه سازي ها را در حالت هاي مختلف و بر روي يك سيستم داكت با دو ورودي نويز متفاوت انجام مي
دهيم. همچنين سيستم را در دو حالت خطي و غيرخطي نيز بررسي خواهيم نمود.

عتیقه زیرخاکی گنج