جستجوی مقالات مرتبط با کلیدواژه « نمای لیاپانوف » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه «نمای لیاپانوف» در نشریات گروه «فنی و مهندسی»-
روش اساسی برای شناسایی رفتار نگاشتهای بازگشتی، ترسیم نمودار بایفورکیشن (دوشاخگی) است. در روش مرسوم با تغییر مقدار پارامتر نگاشت، سری های زمانی متعددی ایجاد می شود و آنگاه با ترسیم مقادیر این سری ها در دوره ماندگار- بر حسب مقادیر پارامتر- نمودار دوشاخگی بدست می آید. این نمودارها، در تعیین دوره تناوب و همچنین جداسازی رفتارهای با دوره تناوب طولانی، از رفتارهای آشوبگونه، دارای دقت کافی نیستند. و از طرف دیگر به دلیل دو بعدی بودن نمودارها، امکان بررسی اثر شرط اولیه در شکل گیری بستر جذب وجود ندارد. نمودار ارایه شده در این تحقیق که آن را نمودار دوشاخگی کیفی (Qualitative Bifurcation Diagram=QBD) می نامیم، امکان تعیین دقیق دوره تناوب را فراهم می کند. با استفاده از QBD شناسایی مقادیری از شرط اولیه و پارامتر که به ازای آنها رفتار نگاشت، متناوب، شبه متناوب و یا آشوب گونه است، ممکن خواهد بود. نتایج بدست آمده از پیاده سازی الگوریتم پیشنهادی بر روی نگاشت لاجستیک، بیانگر توانایی آن در تشخیص تناوب های بالا و پنجره های متناوب است. همچنین مشاهده شد نمودار دوشاخگی لاجستیک از یک نظم موزائیکی (نظمی که از چینش اجزاء در کنارهم و نه براساس تعامل شکل بگیرد) برخوردار نیست و نظمی پویا و دینامیک دارد. مزیتهای QBD بر روش معمول ترسیم نمودار دوشاخگی عبارتند از: تشخیص تناوب های بالا، تشخیص پنجره های متناوب، کاهش زمان محاسبات و نمایش دوره تناوب بجای مقادیر کمی دامنه. در ادامه ی این تحقیق بصورت تحلیلی نمای لیاپانوف -بعنوان یکی از ابزاهای متداول در شناسایی آشوب- مورد بررسی قرار گرفته و درباره ی صحت آن نکات قابل تاملی بیان گردیده است. در پایان به منظور ارزیابی روش پیشنهادی، تحلیل کمی سازی بازگشت و QBD مورد مقایسه قرا گرفته اند.کلید واژگان: نمودار دوشاخگی, آشوب, نگاشت لاجستیک, نمای لیاپانوف, نمایش بازرخداد}The most important method of recognizing behavior of recurrent maps is to plot Bifurcation Diagram. Conventional method for plotting is to generate a variety of time series for different values of model parameter and plotting these points with respect to it after transient state. Bifurcation Diagrams are destitute of analytical interpretations for determining the cause of chaotic and period doubling behaviors. In this study, a diagram is presented which can be called Qualitative Bifurcation Diagram (QBD). One of the special features of Qualitative Bifurcation Diagram is recognition of parameter values and initial conditions, in which, the map has periodic, Aperiodic or chaotic behavior and for recognizing these behaviors, no primary information with regards to the map is needed.
The implementation of QBD on the logistic map indicates high susceptibility of the algorithm in distinguishing high periods and periodic windows; it has not only reduced the calculation time, but also has made it possible to examine initial conditions and logistic parameter effects with high velocity simultaneously. In spite of existence arrangement in Bifurcation Diagram, the result showed that logistic is not a mosaic arrangement, but it has a dynamic arrangement.
This article dealt with the investigation of Lyapunov Exponent as one of the tools of chaos examination which is analyzed analytically.Keywords: Bifurcation Diagram, Chaos, logistic map, Lyapunov exponent, Recurrent Quantification Analysis} -
این مقاله یک ترکیب هم افزای شبکه عصبی آشوب گون با پسخوراند خودی، نمای لیاپانوف و تبرید تدریجی را برای حل مسایل بهینه سازی ترکیبی نظیر فروشنده دوره گرد (TSP) پیشنهاد می دهد. برخلاف شبکه های عصبی مصنوعی که با دینامیک گرادیان نزولی به سمت نقطه تعادل پایدار همگرا می شوند، شبکه های عصبی آشوبی دینامیک های فضایی-زمانی غنی تر و ساختار پیچیده تری دارند. بنابراین انتظار می رود شبکه عصبی آشوبی توان بالایی برای یافتن نقطه بهینه سراسری و یا حداقل نزدیک به سراسری داشته باشد. یکی از مهم ترین مشکلات شبکه های عصبی مصنوعی، گرفتاری آنها در کمینه های محلی است. اگر چه شبکه های عصبی آشوب گون تا حدی این مشکل را حل می کنند، ولی به لحاظ سرعت همگرایی در حرکت به سوی نقطه تعادل مشکل دارند. بنابراین در این مقاله به کمک نمای لیاپانوف و تبرید تدریجی حضور شبکه در حالت آشوب گون کنترل و شبکه به سمت نقطه بهینه سراسری هدایت می شود. به منظور ارزیابی این شبکه، TSP با تعداد شهرهای مختلف استفاده شده است. نتایج شبیه سازی نشان می دهد این شبکه می تواند جواب بهینه را در TSP با تعداد تکرار کمتر و سرعت بیشتر پیدا کند.کلید واژگان: بهینه سازی, تبرید تدریجی, نمای لیاپانوف, شبکه عصبی آشوب گون, فروشنده دوره گرد}This paper proposes a synergetic combination of chaotic neural network with self-feedback, Lyapunov exponent, and simulated annealing for combinatorial optimization problems such as travelling salesman problem (TSP). Unlike conventional neural networks only with point attractors, the chaotic neural network has more flexible dynamics, so that it can be expected to have higher ability of searching for optimal or near-optimal global solutions. One of the most important problems related to conventional neural networks is becomies trapped into the local minimums. Although chaotic neural networks can solve this problem, but they have difficulty due to convergence towards the equilibrium point. Therefore, we have tried to add the Lyapunov exponent and gradual cooling factor as a simulated annealing process, until network converges to the global optimal solutions quickly. In order to evaluate the proposed approach, TSP with different cities is used. Numerical experiments of the propsed approach on 10-TSP are shown that it has high efficiency to converge to global optimal solutions.Keywords: Optimization, Simulated Annealing, Lyapunov Exponent, Chaotic Neural Network, Travelling Salesman Problem}
-
سیگنال الکتروکاردیوگرام (ECG) معمول ترین روش غیرتهاجمی برای بررسی سلامتی قلب یا تشخیص احتمالی بیماری های قلبی است. مطالعات نشان می دهد سیگنال ECG یک ساختار خطی ساده ندارد بلکه دارای مولفه های غیرخطی است. در این مقاله سیگنال ECG به عنوان یک سری زمانی در نظر گرفته شده است و شاخص های غیرخطی آشوبی مانند بزرگ ترین نمای لیاپانوف () و بعد همبستگی (D2) از سیگنال ECG برای افراد سالم و بیمار استخراج می شود. در این راستا الگوریتم های مناسب جهت استخراج پارامترهای لازم برای بازسازی فضای حالت و نیز محاسبه بزرگ ترین نمای لیاپانوف و بعد همبستگی از روی سیگنال ECG با ملاحظات مربوطه ارائه می گردد. سپس با استفاده از طبقه بندی کننده فازی امکان تفکیک افراد سالم و بیمار، براساس شاخص های آشوبی محاسبه شده بررسی می شود. داده ها از پایگاه داده های MIT-BIH گرفته شده است و مقایسه نتایج برای سه گروه شامل افراد با ریتم قلبی سالم (NSR)، بیماران فیبریلاسیون دهلیزی (AF) و بیماران انسداد دسته شاخه چپ (LBBB) انجام شده است که مبین کارایی طبقه بندی ارائه شده بر اساس شاخص های آشوبی است.
کلید واژگان: آشوب, الکتروکاردیوگرام, نمای لیاپانوف, بعد همبستگی, طبقه بندی کننده فازی}Electrocardiogram (ECG) signals are the most popular non-invasive approach for diagnosis of heart irregularities and indications of possible heart diseases. Previous studies have shown that ECG signals do not have a linear distribution and contain a variety of non-linear dimensions. In the present research we have treated the ECG signals as time-series data and applied chaos indices analysis. Utilizing data from MIT_BIH Database، the present study has improved the past research by analysing chaotic indices such as Lyapunov Exponent (λmax)، and Correlation Dimension to ECG signal data from healthy individuals and heart patients. We present appropriate algorithms for reconstruction of Phase Space and estimations of the model parameters using Lyapunov Exponent and CorrelationDimension. We then present the results from reconstruction of Phase Space based on chaotic indices، and fuzzy classifier، to discriminate healthy individuals (NSR) from the heart patients. The heart patients include those with Arterial Fibrillation (AF) and those with Left Bundle Branch Block (LBBB). These results ascertain the effectiveness of application of chaotic distribution to ECG data in improving the heart disease diagnosis.Keywords: Chaotic signals, Electrocardiogram, Lyapunov Exponent, Correlation Dimension, Fuzzy classifier}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.