[حمید]

چگونه می توان توسط یکی از الگوریتم های هوشمند مانند شبکه عصبی یا ژنتیک یا…دقت رله های جریانی مانند اورکارنت یا دایرکشنال را جبران کرد دقتی که در اثر ورود هارمونیک ها یا حالت گذرا یا dgکاهش می یابد
چگونه می توان توسط یکی از الگوریتم های هوشمند مانند شبکه عصبی یا ژنتیک یا…دقت رله های جریانی مانند اورکارنت یا دایرکشنال را جبران کرد دقتی که در اثر ورود هارمونیک ها یا حالت گذرا یا dgکاهش می یابد لطفا بنده را راهنمایی کنید

Topic

[حمید]

منطق فازی و شبکه های عصبی ابزارهای ریاضی جدیدی هستند که درتکنولوژی جدید نقش مهمی ایفا می کنند. هر جا که سخن از اطلاعات و پردازش آن است، ابزارهای مذکور بکار می آیند. منطق فازی در چالشی عمیق با منطق کلاسیک ارسطویی منطق چند ارزشی را جایگزین منطق دو ارزشی درست- نادرست یا صفر و یک کرد. منطق جدید همانند منطق بولی تأثرات شگرفی بر شکل گیری سامانه های پردازش اطلاعات جدید داشته است. در شبکه های قدرت و زیر شاخه های مرتبط نظیر سیستمهای حفاظتی نیز به دلیل درگیری قابل توجه زیر سیستمهای اندازه گیری و پردازش اطلاعات با داده های الکتریکی ، بهره گیری از مفهوم سیستمهای فازی می تواند در جهت افزایش دقت و کارایی سیستمهای مزبور نقش ایفا نماید. تئوري سيستمهاي فازي با به كارگيري تئوري منطق فازي واندازه هاي فازي مي تواند پارامترهايي از قبيل دانش، تجربه، قضاوت و تصميم گيري انسان را وارد مدل نموده ، ضمن ايجاد انعطاف پذيري در مدل تصويري خاكستري از جهان خاكستري ارائه نمايد . روشن است نتايج چنين مدلهايي به دليل لحاظ كردن شرايط واقعي در مدل ، دقيق تر و كاربردي تر خواهد بود. تئوري سيستمهاي فازي بر مبناي فرآيند كلي پردازش اطلاعات در مغز عمل مي كند. فرآيند كلي پردازش اطلاعات در مغز شامل مراحل زير است : تصميم ? ارزيابي ? قضاوت ? تفكر ? شناخت ? بازيابي اطلاعات منطق فازي در افزارهاي تجسسي نظامي، بازار اوراق بهادار و حتي ماشينهاي ظرفشويي كاربرد دارد. در مخابرات از آن در امور سطح سيستمها و در پردازش سيگنال استفاده مي شود. در سطوح مختلف عملكرد سيستمها، كاربرد منطق فازي شامل محاسبه بهترين مقدار براي پارامترهاي كليدزني، تغيير مسير، نوسازي پيكربندي سيستم و موارد مشابه مي باشد. در پردازش سيگنال، كاربرد منطق فازي در محاسبه درجه سيگنال فازي دريافت شده، اغتشاشات مربوط به تغييرات محيطي، تداخل امواج الكتريكي، ناهماهنگي رسا نه ها و نهایتاً “غيرفازي كردن ” سيگنال مي باشد. به طور خلاصه، منطق فازي ابزار قدرتمندي براي بهبود هوشمند اطلاعات غيرآماري يا اطلاعات آماري صدمه ديده و كاربردهاي سلسله مراتبي و بلادرنگ مي باشد. در مورد شبکه های عصبی، شبكه هاي عصبي از تعداد زيادي نرونهاي به هم پيوسته يا واحدهاي پردازشگر تشكيل شده اند كه داراي مشخصات اساسي چون سيگنالهاي ورودي، قدرت سيناپسي، پيوندهاي فعال كننده، سيگنالهاي خروجي و آستانه نرون هستند. شبكه هاي عصبي، اطلاعات را بر اساس الگوريتم سلسله مراتبي پردازش نمي كنند. پردازش درشبكه هاي عصبي بر اساس تجزيه موازي اطلاعات پيچيده به عناصر اصلي آنها صورت مي گيرد. شبكه هاي عصبي- فازي به بهترين نحوي اين دو سيستم عصبي و سيستم فازي را تركيب مي كند. اين شبكه هاي تركيبي، ورودي هاي فازي را در نظر ميگيرند و در عين حال، قابليت يادگيري را هم دارند. در اينجا، شبكه پيش خورد، فازي است و شبكه فيدبك، يك شبكه عصبي خواهد بود. شبكه عصبي، ورودي ها و خروجي هاي واقعي را دريافت ميكند، سپس طبق همبندي هاي جديد ، و ارتباطات ورودي خروجي را فراهم ميكند و در نهايت، قواعد جديد را توليد ميكند.همچنين شبكه عصبي، شبكه پيش خورد را با اين قوانين جديد، اصلاح مي كند. در مقاله ” روشی جدید برای تشخیص و کلاسه بندی خطا در شبکه های انتقال با استفاده از منطق فازی” از سری مقالات اولین کنفرانس تخصصی حفاظت و کنترل سیستمهای قدرت ( توسط محمد افراشته، داوودعرب خابوری و سید محمد شهر تاش ) ضمن اشاره به برخی روشهای متکی به منطق فازی و شبکه های عصبی جهت تشخیص و کاهش خطای سیستمهای حفاظتی روشی جدید نیز معرفی شده است که فکر میکنم پس از مطالعه مبانی مفاهیم اساسی جهت دسترسی به سر نخهای لازم مفید باشد.

[Author]

Replies