دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: P. Lindskog (auth.), Dr. Hans Hellendoorn, Prof. Dr. Dimiter Driankov (eds.) سری: ISBN (شابک) : 9783540627210, 9783642607677 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 1997 تعداد صفحات: 332 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
کلمات کلیدی مربوط به کتاب شناسایی مدل فازی: رویکردهای انتخاب شده: شبیه سازی و مدل سازی، تشخیص الگو، هوش مصنوعی (شامل رباتیک)، ساختارهای کنترلی و ریزبرنامه ریزی، مهندسی به کمک کامپیوتر (CAD، CAE) و طراحی، کنترل، رباتیک، مکاترونیک
در صورت تبدیل فایل کتاب Fuzzy Model Identification: Selected Approaches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شناسایی مدل فازی: رویکردهای انتخاب شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این جلد با دقت ویرایش شده مجموعه ای از کارهای اخیر را در
شناسایی مدل فازی ارائه می دهد. زمینه شناسایی فازی را به روی
نظریه پردازان کنترل مرسوم به عنوان مکمل رویکردهای موجود می
گشاید، جنبه های الگوریتمی و عملی مجموعه ای از تکنیک های
شناسایی جدید را در اختیار مهندسان کنترل مجرب قرار می دهد و بر
فرصت هایی برای یک نظریه سیستماتیک تر و منسجم تر از شناسایی
فازی تاکید می کند. گردآوری روشهای مبتنی بر تکنیکهای مختلف،
اما با هدف شناسایی انواع مشابه از مدلهای فازی.
در مهندسی کنترل، مدلهای ریاضی اغلب ساخته میشوند، برای مثال
بر اساس معادلات دیفرانسیل یا تفاوت یا مشتق از قوانین فیزیکی
بدون استفاده از دادههای سیستم. (مدل های جعبه سفید) یا
استفاده از داده ها اما بدون بینش (مدل های جعبه سیاه). در این
جلد، نویسندگان ترکیبی از این مدلها را از میان انواع
ساختارهایی که در کاربردها انعطافپذیر و موفق هستند، انتخاب
میکنند. آنها مدلهای ممدانی، تاکاگی-سوگنو و تکتون را در
نظر میگیرند و از روشهای شناسایی مانند خوشهبندی، شبکههای
عصبی، الگوریتمهای ژنتیک و یادگیری کلاسیک استفاده میکنند.
تکنیک شناسایی با الگوریتم هایی که به خواننده کمک می کند تا
روش های ارائه شده را در محیط خود برای حل مسائل دنیای واقعی
اعمال کند. علاوه بر این، هر نویسنده یک مثال عملی ارائه میکند
تا نشان دهد روش ارائه شده چگونه کار میکند، و با مسائل مربوط
به دانش قبلی، پیچیدگی مدل، استحکام روش شناسایی، و کاربردهای
دنیای واقعی سروکار دارد.
This carefully edited volume presents a collection of recent
works in fuzzy model identification. It opens the field of
fuzzy identification to conventional control theorists as a
complement to existing approaches, provides practicing
control engineers with the algorithmic and practical aspects
of a set of new identification techniques, and emphasizes
opportunities for a more systematic and coherent theory of
fuzzy identification by bringing together methods based on
different techniques but aiming at the identification of the
same types of fuzzy models.
In control engineering, mathematical models are often
constructed, for example based on differential or difference
equations or derived from physical laws without using system
data (white-box models) or using data but no insight
(black-box models). In this volume the authors choose a
combination of these models from types of structures that are
known to be flexible and successful in applications. They
consider Mamdani, Takagi-Sugeno, and singleton models,
employing such identification methods as clustering, neural
networks, genetic algorithms, and classical learning.
All authors use the same notation and terminology, and each
describes the model to be identified and the identification
technique with algorithms that will help the reader to apply
the presented methods in his or her own environment to solve
real-world problems. Furthermore, each author gives a
practical example to show how the presented method works, and
deals with the issues of prior knowledge, model complexity,
robustness of the identification method, and real-world
applications.
Front Matter....Pages I-XXI
Front Matter....Pages 1-1
Fuzzy Identification from a Grey Box Modeling Point of View....Pages 3-50
Front Matter....Pages 51-51
Constructing Fuzzy Models by Product Space Clustering....Pages 53-90
Identification of Takagi-Sugeno Fuzzy Models via Clustering and Hough Transform....Pages 91-119
Rapid Prototyping of Fuzzy Models Based on Hierarchical Clustering....Pages 121-161
Front Matter....Pages 163-163
Fuzzy Identification Using Methods of Intelligent Data Analysis....Pages 165-191
Identification of Singleton Fuzzy Models via Fuzzy Hyperrectangular Composite NN....Pages 193-212
Front Matter....Pages 213-213
Identification of Linguistic Fuzzy Models by Means of Genetic Algorithms*....Pages 215-250
Optimization of Fuzzy Models by Global Numeric Optimization....Pages 251-278
Front Matter....Pages 279-279
Identification of Linguistic Fuzzy Models Based on Learning....Pages 281-319