Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: system neuro-fuzzy

Sortuj według:

Ogranicz wyniki do:

Implementation of a Neuro-Fuzzy Direct Torque and Reactive Power Control for Doubly Fed Induction Motor

Jacomini R. V., Rocha C. M., Altuna J. A. T., Azcue-Puma J. L., Capovilla C. E., Sguarezi Filho A. J.

Przegląd Elektrotechniczny

2014

R. 90, nr 10

179-187

This paper proposes a Takagi-Sugeno neuro-fuzzy inference system for direct torque and stator reactive power control applied to a doubly fed induction motor. The control variables (d-axis and q-axis rotor voltages) are determined through a control system composed by a neuro-fuzzy inference system and a first order Takagi-Sugeno fuzzy logic controller. Experimental results are presented to validate the controller operation for variable speed under no-load and load conditions and stator reactive power variation under load condition. For this last validation, a PI controller is used to control the rotor speed, thereby its output is used to manipulate the torque in order to follow the demanded speed value.

W artykule opisano inferencyjny neuro-fuzzy system Takagi-Sugeno użyty do sterowania momentem i mocą bierną w podwójnie zasilanym silniku indukcyjnym. Przeprowadzono eksperymenty sterowania silnikiem obciążonym i nieobciążonym.

Metody wyznaczania parametrów początkowych systemów neuronowo-rozmytych

Kądziołka K.

Metody Informatyki Stosowanej

2010

nr 1 (22)

63-68

W artykule zostały zaprezentowane cztery metody wyznaczania parametrów początkowych systemów neuronowo – rozmytych. Na podstawie uzyskanych wyników można zauważyć, że sposób wyznaczenia parametrów początkowych systemu może mieć istotny wpływ na wynik klasyfikacji. Przykładowo dla zbioru „iris” w przypadku losowego wyznaczania parametrów początkowych uzyskano średnią skuteczność klasyfikacji wynoszącą 86,66%, zaś gdy parametry początkowe wyznaczone były jako średnie i odchylenia standardowe wartości odpowiednich atrybutów wówczas skuteczność ta wyniosła 94,66% (Tabela 3). Zaobserwowano również, że połączenie w procesie optymalizacji parametrów początkowych systemu metody największego spadku z metodą najmniejszych kwadratów może prowadzić do wzrostu skuteczności klasyfikacji i zmniejszenia liczby epok w procesie uczenia (Tabela 4).

In this paper we examine the performance of four method for setting initial parameters of neuro-fuzzy systems. First method generates this parameters randomly. The second method generates it using mean and the standard deviation of attribute values. Third method generates it using clustering techniques and the last one generates initial parameters using grid partition. Initial parameters were optimized using gradient descent method and combining this method with the least squares optimization. The performance of each approach was evaluated on “iris” and “Pima Indian Diabetes” data sets.