طراحی رویتگر عصبی برای تخمین متغیرهای حالت کلاس خاصی از سیستم دینامیکی سرطان خون

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 456

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEMSC-3-1_001

تاریخ نمایه سازی: 20 خرداد 1398

چکیده مقاله:

در این مقاله هدف طراحی رویتگر شبکه عصبی برای تخمین متغیرهای حالت دینامیک غیر خطی سرطان خون (لوسمی) می باشد. لوسمی یکی از چهار سرطان شایع در میان کودکان است. تعداد بالای سلول های سفید باعث اختلال توانایی این سلول ها در مبارزه با عفونت ها شده و باعث نقص توانایی مغز استخوان برای ساختن سلول های قرمز و پلاکت خون می شود. در این مقاله از یک شبکه عصبی رو به جلو دولایه استفاده شده است. وزن های هر دو لایه متغیر در نظر گرفته شده است. برای تنظیم وزن های شبکه عصبی از الگوریتم پس انتشار خطا استفاده شده است. در این الگوریتم ابتدا با وزن های تصادفی خروجی سیستم معین می شود سپس خطا اندازه گیری می شود و به سیستم باز می گردد تا وزن ها به روز رسانی شود و دوباره این حلقه تکرار می شود تا خطا در همسایگی صفر محدود شود. با مقایسه این رویتگر با یک رویتگر کلاسیک کارایی بهتر رویتگر عصبی مشخص می شود. استفاده از این روش باعث کاهش تعداد دفعات آزمایش و نمونه برداری می گردد که باعث کاهش هزینه و جلوگیری از اتلاف وقت می شود.

نویسندگان

یوسف فرشیدی

کارشناسی ارشد، مهندسی برق-کنترل، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران

رضا قاسمی

استادیار، گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران.

امین شرفیان اردکانی

دانشجوی دکترا، مهندسی برق-کنترل، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Chen, C. Maecker, H.  Lee, P. (2008), Development and dynamics ...
  • Chen, B., Zhang, H., Lin, C. (2016). Observer-Based Adaptive Neural ...
  • Ghafari, A. Azizi, K. Amini, MR. (2012), Mathematical Modeling of ...
  • Hussain, S., Bazaz, M. A. (2016). Neural Network Observer Design ...
  • Khoygani, M. R. R., Ghasemi, R., & Vali, A. R. ...
  • Khoygani, M. R. R., Ghasemi, R. (2016). Neural estimation using ...
  • Kim, P., Lee, P., Levy, D. (2008), Dynamics and potential ...
  • Lewis, F.L. Yesildirek, A. and Liu, K. (1996), Multilayer neural-net ...
  • Malekzadeh, M., Khosravi, A., Rasouli, H., Noei, A. R. (2015, ...
  • Nanda, S. Moore, H. Lenhart, S. (2007), Optimal control of ...
  • Padhi, R. Kothar, M. (2006), An optimal dynamic inversion-based neuro ...
  • Paquin, D.  Kim, P.S.  Lee, P.P.  Levy, D. (2011), Strategic ...
  • Selmic, R.R. (2000), Neurocontrol of Industrial Motion Systems with Actuator ...
  • Sharafian, A., Ebrahimi fard, Z., (2017 In press), State Dependent ...
  • Sharafian, A., Ghasemi, R., (2016 In press), Stable State Dependent ...
  • Sharafian, A., Ghasemi, R., (2017), Fractional neural observer design for ...
  • Wang, M., Ren, X. (2016), Neural Network Observer Based Optimal ...
  • Witczak, P., Patan, K., Witczak, M., Puig, V., Korbicz, J. ...
  • نمایش کامل مراجع