بسم الله الرحمن الرحیم

مقاله به صورت pdf 6 صفحه می باشد با 13 صفحه به صورت وورد  قابل ویرایش می باشد.

نمونه متن فارسی:

پیش بینی ناپایداری در شبکه سایبری –فیزیکی هوشمند با استفاده از شبکه های عصبی منتخب

چکیده- بسته به استفاده از شمار زیادی از سنسورها و افزایش دادن استفاده از شبکه های مرتبط, سیستم فیزیکی سایبری (CPS) مناسب آسیب پذیری برای حمله های سایبری می باشد. هرگونه افزایش دادن  پیچیدگی CPS همراه با خود نیاز به برنامه یادگیری ماشین دریافت داده را با خود به همراه خواهد آورد تا نیاز ایجاد مدل برای رفتار سیستم را تفسیر کند. در این مقاله , یک رمان یا نوشته  پیش بینی شرایط پایدار بر اساس شبکه عصبی منتخب آبشاری پیشنهاد شده است. اهداف روش پیشنهاد شده برای شناخت بی ترتیب و نامتعارف وابسته  به توزیع فیزیکی و سایبری به عنوان نشانه اولیه بی ثباتی است.شبکه عصبی پیشنهاد شده ارتباطات آبشاری را ساخته آن هم برای آفزایش دقت پیش بینی. گرادیان مزدوج بازگشتی و فرمول پولاک-ریبیر برای  فرایند آموزش مورد استفاده قرار گرفته است. این روش همچنین می تواند تولید بحرانی برای سبک کردن اثر خطای آبشار را پیش بینی کند و از دست رفتن توان الکتریکی در سیستم را پیش بینی کند. نتایج شبیه سازی ها روی bus IEEE 39-  برتری روش پیشنهادی در موارد دقت , سرعت و قدرت را نشان می دهد.

نمونه انگلیسی:

Instability Prediction in Smart Cyber-physical Grids

Using Feedforward Neural Networks

Amirreza Jafari

1. of Elec. & Comp. Eng.

University of Tabriz

Tabriz, Iran

ar_jafari95@ms.tabrizu.ac.ir

Farzad Darbandi

1. of Elec. & Comp. Eng.

University of Tabriz

Tabriz, Iran

1. darbandi95@ms.tabrizu.ac.ir

Hadis Karimipour†

School of Engineering

University of Guelph

Guelph, Canada

hkarimi@uoguelph.ca

Abstract— Due to the use of huge number of sensors and the

increasing use of communication networks, cyber-physical

systems (CPS) are becoming vulnerable to cyber-attacks. The

ever-increasing complexity of CPS bring up the need for

data-driven machine learning applications to fill in the need

of model creation to describe the system behavior. In this

paper, a novel stability condition predictor based on cascaded

feedforward neural network is proposed. The proposed

method aims to identify anomaly due to cyber or physical

disturbances as an early sign of instability. The proposed

neural network utilizes cascaded connections in order to

increase accuracy of the prediction. The conjugate gradient

backpropagation and Polak-Ribière formula are utilized for

training process. This method also can predict the critical

generators to mitigate the effect of the cascading failure and

consequent blackout in the system. Simulations results on the

IEEE 39-bus system indicate the superiority of the proposed

method in terms of accuracy, speed, and robustness.