يتناول البحث نمذجة شبكة عصبونية صنعية متعددة الطبقات ذات تغذية أمامية مدربة باستخدام خوارزمية الانحدار التدريجي للخطأ ذات معامل الزخم و معدل التعلم المتغير، و ذلك لتقدير خرج الشبكة العصبونية الموافق لنسبة التشغيل الأمثل لمبدل رافع الجهد المستمر اعتما
داً على استخدام قياسات تغيرات كل من درجة حرارة الخلية الشمسية و شدة الإشعاع الشمسي، لتتبع نقطة الاستطاعة العظمى MPP لنظم الطاقة الشمسية الكهروضوئية. بالتالي يعتبر المتحكم DMPPT-ANN (Developed MPPT-ANN) المقترح في البحث، مستقل في عمله عن استخدام القياسات الكهربائية لخرج نظام PV لتحديد نسبة التشغيل، و دون الحاجة لاستخدام متحكم تناسبي-تكاملي PI) (Proportional Integral للتحكم في دورة عمل مبدل الجهد، و هذا من شأنه تحسين الأداء الديناميكي للمتحكم المقترح بتحديد نسبة التشغيل بدقة و سرعة فائقة. في هذا السياق، يناقش البحث الاختيار الأمثل لهيكلية الشبكة المقترحة من حيث تحديد العدد الأمثل للطبقات الخفية و العدد الأمثل للعصبونات الموجودة فيها، بتقييم قيم متوسط مربع الخطأ و معامل الارتباط الناتجة بعد كل عملية تدريب للشبكة العصبونية. بعد ذلك يعتمد نموذج الشبكة النهائي الذي يمتلك الهيكلية الأمثل، ليشكل المتحكم المتقرح في البحث DMPPT-ANN لتتبع نقطة MPP لنظام.PV أظهرت نتائج المحاكاة المنجزة في بيئة Matlab/Simulink، الأداء الأفضل للمتحكم DMPPT-ANN المقترح المرتكز على نموذج الشبكة العصبونية MLFFNN، و ذلك بدقة تقدير نسبة التشغيل و بتحسين سرعة استجابة نظام PV في الوصول لنقطة MPP، بالإضافة إلى التخلص بشكل نهائي من التذبذبات الناتجة في الحالة المستقرة في منحني استجابة استطاعة خرج نظام PV مقارنة مع استخدام عدد من المتحكمات المرجعية المستخدمة: متحكم تتبع متقدم MPPT-ANN-PI مرتكز على شبكة عصبونية ANN لتقدير توتر نقطة MPP مع متحكم PI تقليدي، متحكم عائم MPPT-FLC ومتحكم تتبع تقليدي MPPT-INC يستخدم تقنية زيادة الناقلية INC
يَعرض هذا البحث إمكانية الاستعاضة عن المؤمثل الرياضي في خوازمية التحكم التنبؤي
بمؤمثل عصبوني أمامي (Feedforward Neural Network Optimizer:
FNNO) و من تم تدريبه بشكل مسيق offline لتصغير تابع الكلفة. حافظنا بهذه
الطريقة على نموذج النظام الذي يعد أس
اساً في خوارزمية التحكم التنبؤي للحصول على
الدقة المطلوبة. و تم حل مسألة الأمثلة خلال زمن أسرع من زمن حلها عند استخدام
خوارزميات الأمثلة التقليدية المعتمدة على الحوسبة الرقمية.
يقدم البحث منهجية جديدة لتطوير متحكم مرتكز على الشبكات العصبونية الصنعية ANN و على طريقة التحكم المباشر، بهدف الحصول على الطاقة القصوى الممكنة من النظم الشمسية الكهروضوئية في ظل التغيرات الجوية المختلفة من شدة إشعاع شمسي و درجة حرارة محيطة. في هذا ال
سياق، يقدم البحث نموذج جديد لمتحكم MPPT-ANN لتتبع نقطة الاستطاعة العظمى MPP للنظم الشمسية الكهروضوئية في بيئة Matlab/Simulink. يرتكز المتحكم MPPT-ANN المطور على شبكة عصبونية صنعية ذات تغذية أمامية FFNNمدربة باستخدام خوارزمية الانتشار العكسي للخطأ، لتحديد توتر التشغيل الأمثل للنظام الكهروضوئي PV عند التغيرات الجوية المختلفة. كما يقترح البحث، خوارزمية تحكم تعتمد على طريقة التحكم المباشر لتحديد نسبة التشغيل المستخدمة للتحكم مباشرة في دورة عمل مبدل جهد مستمر، و ذلك اعتماداً على مقارنة الفرق الناتج بين توتر خرج النظام الكهروضوئي و توتر التشغيل الأمثل خرج الشبكة العصبونية. إن لمتحكم المطورMPPT-ANN المرتكز على شبكة FFNN، يمتاز بسرعة فائقة بتتبع نقطة MPP و بتحقيق كفاءة عالية لنظام PV عند التغيرات الجوية. أظهرت نتائج المحاكاة المنجزة في بيئة Matlab/Simulink، الأداء الأفضل للمتحكم المطور MPPT-ANN بتحقيق أداء ديناميكي أفضل و دقة عالية عند تتبع نقطة MPP، مقارنة مع استخدام متحكم أخر MPPT-ANN-PI يعتمد على شبكة عصبونية صنعية و متحكم تناسبي-تكاملي تقليدي،
و مقارنة أيضا ً مع متحكم تقليدي MPPT-P&O مرتكز على تقنية الاضطراب و المراقبة عند التغيرات الجوية المختلفة.
يقدم هذا البحث منظومة للتعرف على مسميات المخططات الزمنية، حيث يتم استخلاص المسميات من المخططات، التي هي عبارة عن صورة باستخدام التقسيم المكاني من أجل اقتطاع صور المسميات فقط. تُوحد أحجام صور المسميات باستخدام خوارزمية المتوسط لسببين؛ الأول تشكيل قاعد
ة البيانات التدريبية للشبكات العصبونية المستخدمة، و ثانياً من أجل اجراء عملية التعرف. تم اعتماد الشبكات العصبونية للتعرف بآليتين مختلفتين: آلية التصنيف classification باستخدام شبكة Perceptron و آلية التمييز باستخدام شبكة الانتشار العكسي، حيث تم بناء شبكة Perceptron دخلها صورة المسمى فتُعطي في خرجها الدليل التصنيفي للمسمى، ليتم معرفته بالاعتماد على جدول مسميات مخزن مسبقاً، و شبكة انتشار عكسي دخلها صورة المسمى و خرجها الترميز الحاسوبي للمسمى، كما تم تصميم شبكة الانتشار العكسي بحيث يمكن لها التعرف على كافة صور مسميات أحرف الأبجدية الانكليزية المستخدمة في المخططات الزمنية، أظهرت نتائج البحث فعالية المنظومة المصممة للتعرف على مسميات المخططات الزمنية من صورها، و ذلك للآليتين التصنيفية و التمييزية، بعد تطبيق النظام على ثلاث مخططات زمنية.
يمكن تحليل و معالجة بيانات صور الفيديو من خلال العديد من الطرق. يكشف هذا البحث إلى أي مدى يمكن أن تكون الخلية العصبونية النابضة Spiking Neuron المصممة وفق النموذج Hodgkin-Huxley ملائمة لهذه المهمة. ستناقِش عمليات المحاكاة الموثقة في هذا البحث استجابة
الخلايا العصبونية من النموذج تكامل- إطلاق لتيارات الدخل الثابتة و المتغيرة و المدخلات المقادة بكثافة البكسل. و بشكل عام تستخدم برمجيات التطبيق المصمم 64 خلية عصبونية نابضة تعمل بشكل مستقل حيث تقوم هذه الخلايا العصبونية بمعالجة بيانات الصورة المأخوذة كل 25 ميلي ثانية.
تم اختبار العصبونات المصممة على 100 صورة تتضمن حالات مختلفة من الإضاءة و الإشباع اللوني و التباين, و أظهرت النتائج أن الخلية العصبونية من النموذج تكامل – إطلاق حساسة للتغيرات في كثافة البكسل إذا تم اختيار بارامتراتها بشكل جيد, مما يجعل استخدام شبكة عصبونية من هذه العصبونات أمراً مناسباً في بعض التطبيقات مثل Saliency Maps و التي تعتمد بشكل كبير على قيم الكثافة لمجموعة من البكسلات.
الغاية من هذا المقال إلقاء الضوء على آلية ومراحل عمل نظام خبير , يقوم بتحديد انتماء وجه مدخل الى أي من تعابير الوجه الستة النموذجية وهي الغضب , الاشمئزاز , الخوف , السعادة , الحزن , الدهشة بالإضافة إلى الحالة الطبيعية .
وذلك بتطبيق خوارزمية تحليل ال
مكونات الأساسية PCA- principal component analysis , والمتعلقة بالعناصر الثلاث العين والحاجب والفم , خلافا للدراسات المعهودة في هذا المجال التي تعتمد على الوجه بالكامل.
هذه القيم الناتجة تستخدم في تحديد شعاع صفات الوجه كقيم لدخل الشبكة العصبونية , ويتم تدريب الشبكة العصبونية باستخدام خوارزمية الانتشار الخلفي . علما أن الوجوه المستخدمة تعود لأشخاص من أعمار وعروق مختلفة .
تمّ في هذا البحث تطوير نموذج تأقلمي مستوحى من النّماذج الدّاخليّة للمخيخ يسمّى التعلّم بخطأ التغذية العكسيّة Feedback Error Learning (FEL), و هي الطّريقة الأم للتّحكم التّعلّمي الأمامي Learning Feed-forward Control(LFFC), و تعتمد على متحكّم تغذية عك
سيّة بالإضافة إلى متحكم أمامي و هو عبارة عن شبكة عصبونيّة neural network يتمّ تدريبها عن طريق خرج متحكّم التغذية العكسيّة. و قد قمنا بتطوير هذه الطّريقة للتّحكم بذراع آليّة, بالإضافة إلى حل مسألة توازن النّواس المعكوس inverted pendulum و التّحكم بنظام التّعليق لباص, و تمّ تطوير هذه الطّريقة بإضافة شبكة عصبونيّة ثانية يتمّ تدريبها بواسطة خرج متحكّم FEL, و تمّت المحاكاة للأنظمة السّابقة على الحاسب باستخدام البيئة البرمجيّة Matlab and Simulink, و بيّنت النّتائج أنّ هذا التطوير يحسّن أداء التّحكم.
