بهینه سازی پارامترهای مدل شبکه عصبی برای تخمین سرعت موتورهای القایی با استفاده از الگوریتم PSO

در این مقاله به بررسی بهینه سازی پارامترهای مدل های شبکه عصبی Feed-Forward برای تخمین سرعت موتورهای القایی پرداخته شده است. به منظور بهبود دقت تخمین و کاهش خطاهای مدل سازی، از الگوریتم PSO (بهینه سازی ازدحام ذرات) برای بهینه سازی پارامترهای شبکه عصبی استفاده می شود. شبکه عصبی Forward-Feed به عنوان یک مدل پیش بینی کننده با قابلیت یادگیری از داده های ورودی و خروجی، در بسیاری از مسائل پیچیده و غیرخطی کاربرد دارد. در این تحقیق، الگوریتم PSO برای تنظیم بهینه وزن ها و بازیابی شبکه عصبی به کار گرفته شده است. شبیه سازی ها در محیط سیمولینک (Matlab/Simulink) انجام شده و نتایج شبیه سازی نشان می دهند که استفاده از الگوریتم PSO در بهینه سازی پارامترهای شبکه عصبی Feed-Forward، دقت تخمین سرعت روتور موتور القایی را به طور چشمگیری افزایش داده و عملکرد سیستم را بهبود می بخشد.

کلیدواژه ها:

بهینه سازی ازدحام ذرات (PSO) ، الگوریتم های هوشمند ، شبکه عصبی Feed-Forward ، موتور القایی ، تخمین سرعت ، بهینه سازی پارامترها ، سیمولینک متلب