فهرس المقالات System Identification

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Nonlinear System Identification Using Hammerstein-Wiener Neural Network and subspace algorithms
  Maryam Ashtari Mahini Mohammad Teshnehlab Mojtaba Ahmadieh khanehsar
  Neural networks are applicable in identification systems from input-output data. In this report, we analyze theHammerstein-Wiener models and identify them. TheHammerstein-Wiener systems are the simplest type of block orientednonlinear systems where the linear dynamic bl أکثر

  Neural networks are applicable in identification systems from input-output data. In this report, we analyze theHammerstein-Wiener models and identify them. TheHammerstein-Wiener systems are the simplest type of block orientednonlinear systems where the linear dynamic block issandwiched in between two static nonlinear blocks, whichappear in many engineering applications; the aim of nonlinearsystem identification by Hammerstein-Wiener neural networkis finding model order, state matrices and system matrices. Wepropose a robust approach for identifying the nonlinear systemby neural network and subspace algorithms. The subspacealgorithms are mathematically well-established and noniterativeidentification process. The use of subspace algorithmmakes it possible to directly obtain the state space model.Moreover the order of state space model is achieved usingsubspace algorithm. Consequently, by applying the proposedalgorithm, the mean squared error decreases to 0.01 which isless than the results obtained using most approaches in theliterature. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - استفاده از مدل وینر-همرشتاین بهینه شده با الگوریتم ژنتیک در شناسایی سیستم فتوولتائیک ‏
  ایمان سهرابی مقدم چافجیری علیرضا آزادبر عباس قدیمی سید جواد موسوی
  شناسایی سیستم روشی برای شناسایی یا اندازه‌گیری مدل ریاضی یک سیستم با اندازه‌گیری ورودی‌ها و خروجی‌های سیستم است. در این مقاله رویکرد الگوریتم ژنتیک (GA) را برای مدل‌سازی سیستم‌های فتوولتائیک (PV) با ساختار وینر-هامرشتاین اعمال می‌کنیم. سیستم‌های دینامیکی غیرخطی دارای هر أکثر

  شناسایی سیستم روشی برای شناسایی یا اندازه‌گیری مدل ریاضی یک سیستم با اندازه‌گیری ورودی‌ها و خروجی‌های سیستم است. در این مقاله رویکرد الگوریتم ژنتیک (GA) را برای مدل‌سازی سیستم‌های فتوولتائیک (PV) با ساختار وینر-هامرشتاین اعمال می‌کنیم. سیستم‌های دینامیکی غیرخطی دارای هر دو عنصر پویا (عناصر ذخیره انرژی) هستند و در این نوع سیستم‌ها بین برخی از متغیرها روابط غیرخطی وجود دارد. اگر در چنین سیستم هایی بتوان فرض کرد که قطعات دینامیکی و قطعات غیرخطی قابل تفکیک هستند، می توان آنها را با ساختارهای مدل های بلوک گرا مدل کرد. این نوع مدل ها از ترکیب بلوک(های) دینامیکی خطی و بلوک(های) غیرخطی استاتیکی تشکیل شده اند. این رویکرد به تخمین یک سیستم فتوولتائیک (PV) بر اساس داده‌های مشاهده‌شده مربوط می‌شود. ورودی و خروجی غیرخطی به ترتیب از داده های تابش و جریان خروجی DC سیستم واقعی گرفته شده است. نتایج شبیه‌سازی اثربخشی و استحکام مدل پیشنهادی را با استفاده از الگوریتم ژنتیک نشان داد. نتایج شبیه سازی مقدار MSE 0.000774 را برای عملکرد عادی سیستم PV و 0.009863 را برای اثر سایه بین نرخ اطلاعات تخمینی و مرجع نشان می دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Comparison Study on Neural Networks in DamageDetection of Steel Truss Bridge
  Hassan Aghabarati Mohsen Tabrizizadeh
  This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in stru أکثر

  This paper presents the application of three main Artificial Neural Networks (ANNs) in damage detection of steel bridges. This method has the ability to indicate damage in structural elements due to a localized change of stiffness called damage zone. The changes in structural response is used to identify the states of structural damage. To circumvent the difficulty arising from the non-linear nature of the inverse problem, three neural networks, Multi-Layer Perceptron Neural Network (MLPNN), Radial Basis Function Neural Network (RBFNN) and General Regression Neural Network (GRNN) are employed to simulate damage states of steel bridges. It was observed that the performance of all three networks is well and they have good agreement with actual results performed with Finite Element analysis. The efficiency of GRNN in structural identification is so good, although RBFNN has results close to GRNN and MLPNN results are satisfactory. All networks have good results while there is a little damage in structural members. Generally, results would have more error when damages in structural members extend. The engineering importance of the whole exercise can be appreciated once we realize that the measured input at only a few locations in the structure is needed in the identification process using neural networks. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Multiple-input single-output nonlinear system identification using Bezier- Bernstein polynomials with noise cancellation
  Mohammad Jahani Moghaddam
  This article deals with an identification method for the fractional multiple-input single-output ‎model. It is considered the Hammerstein model to separate dynamic linear and static nonlinear ‎behaviors. Which Bezier-Bernstein polynomials are used to approximate the non أکثر

  This article deals with an identification method for the fractional multiple-input single-output ‎model. It is considered the Hammerstein model to separate dynamic linear and static nonlinear ‎behaviors. Which Bezier-Bernstein polynomials are used to approximate the nonlinear functions ‎and the fractional order transfer function is applied to estimate the linear part. A hybrid ‎identification method based on a modified evolutionary algorithm and a recursive classic method ‎is presented. As an advantage, this method can also correctly identify the system in the presence ‎of output noise. A photovoltaic experimental system and a numerical example are used to ‎illustrate the efficiency and performance of the proposed scheme.‎ تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - بهینه‌سازی ساختار الگوریتم درخت مدل خطی محلی با استفاده از الگوریتم بهینه‌سازی حدی
  خلیل شریفی محمدرضا احمدزاده
  درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل می‌باشد که در آن حل مسئله پیچیده از طریق تقسیم مسئله به تعدادی زیر مسئله کوچک‌تر (و از این رو ساده‌تر) صورت می‌پذیرد. بنابراین مشخصات این مدل فازی أکثر

  درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل می‌باشد که در آن حل مسئله پیچیده از طریق تقسیم مسئله به تعدادی زیر مسئله کوچک‌تر (و از این رو ساده‌تر) صورت می‌پذیرد. بنابراین مشخصات این مدل فازی- عصبی (زیرمسئله‌های کوچک‌تر شده) به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیم‌بندی وابسته می‌باشد. الگوریتم LOLIMOT برای رسیدن به خروجی با خطای کمتر فضای مسئله را به تعدادی مدل خطی محلی یا LLM تقسیم می‌نماید و پس از پیدا کردن بدترین LLM (LLM با خطای بیشتر) با تقسیم آن به دو LLM الگوریتم را ادامه می‌دهد. در این الگوریتم در هر تکرار از آن بدترین LLM با نرخ تقسیم 1/2 در جهت‌های متعامد بر فضای ورودی تقسیم می‌شود. در این مقاله به کمک الگوریتم بهینه‌سازی حدی به بهینه‌سازی نرخ تقسیم می‌پردازیم، نتایج پیاده سازی حاکی از آن است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص میانگین مربعات خطا بهتر از الگوریتم اولیه است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - شناسایی سیستم غیرخطی چند متغیره مولد بخار نیروگاه با به کار بردن شبکه‌های عصبی تأخیر زمانی ویولت
  لیلا خلیل زاده گنجعلی خانی فرید شیخ‌الاسلام همایون مهدوی نسب
  یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته می‌شود. یک گام مهم در شناسایی غ أکثر

  یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته می‌شود. یک گام مهم در شناسایی غیرخطی سیستم، گسترش دادن یک مدل غیرخطی است. در سال‌‌های اخیر، شبکه‌های عصبی مصنوعی به طور موفقیت آمیزی در شناسایی سیستم‌های غیرخطی در بسیاری از پژوهش‌ها به کار گرفته شده‌اند. شبکه‌های عصبی ویولت نیز به‌عنوان یک ابزار قدرتمند در شناسایی غیرخطی سیستم به‌کار می‌روند. در این مقاله، برای شناسایی یک مولد بخار صنعتی یک مدل شبکه عصبی تأخیر زمانی و یک مدل شبکه عصبی ویولت ارائه می‌کنیم. نتایج شبیه سازی‌ها نشان دهنده کارایی مدل‌های ارائه شده در شناسایی سیستم مذکور می‌باشند و نشان می‌دهند مدل شبکه عصبی ویولت در تخمین خروجی‌های سیستم دقیق‌تر است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - Vibration-based cable tension estimation using two iterative algorithms: Methodology and experimental validation
  Latif Doosti Omid Bahar Mohsen Ghafory-Ashtiany Mohsen Elmi
  10.30495/ijase.2024.2002630.1085
  In this paper, a reliable method based on two iterative algorithms is proposed for the estimation of cable tension forces. In this method, a Finite Element model, considering the cable's geometric and mechanical characteristics, is used in order to obtain mass and أکثر

  In this paper, a reliable method based on two iterative algorithms is proposed for the estimation of cable tension forces. In this method, a Finite Element model, considering the cable's geometric and mechanical characteristics, is used in order to obtain mass and stiffness matrices. The initial geometric stiffness matrix of the structure is calculated according to the taut string theory, assuming an initial value for the tension force. Furthermore, the natural frequency of the MDOF system is calculated using Ritz Method, and then compared to measured vibration frequencies, which can be obtained by output-only system identification methods. In this method, the difference between the computational and measured frequencies should not exceed the pre-defined threshold, otherwise the iteration process would be repeated after modifying the initial assumption of the cable force. To evaluate the accuracy and the effectiveness of the proposed method, an experimental study was performed on an external cable in the IIEES structural laboratory. Also, existing cable forces of the Hwamyeong cable-stayed bridge in South Korea have been employed. In both cases, the iterative method is compared with common theoretical and empirical equations in the literature. The results have shown that the iterative method is of high accuracy and great applicability, reducing the difference to even less than 2%. تفاصيل المقالة