طراحی شبکه‌های عصبی پیشرو انعطاف‌پذیر با الگوریتم یادگیری شبیه ساز ذوب فلز اصلاح شده به منظور شناسایی سیستم‌های غیرخطی

یکی از مهم‌ترین و جذاب‌ترین کاربردهای شبکه‌های عصبی شناسه سیستم‌های غیرخطی است. در این مقاله برای شناسایی سیستم‌های غیرخطی ساختاری از شبکه‌های عصبی پیش را که به شبکه‌های عصبی پیشرو انعطاف‌پذیر مرسوم هستند ارائه خواهد شد. در شبکه‌های عصبی پیشرو انعطاف‌پذیر علاوه‌بر وزن‌ها، پارامترهای تابع انتقال که پارامترهای انعطاف‌پذیر گفته می‌شود که نیز قابلیت یادگیری دارند . این مقاله تأثیر طراحی انعطاف‌پذیر ساختار این بن از شبکه‌های عصبی در شناسایی سیستم‌های غیرخطی را در مقایسه با سایر شبکه‌های عصبی مورد بحث و بررسی قرار می‌دهد. همچنین یک روش یادگیری پیشنهادی بر مبنای شبیه‌سازی ذوب فلز برای آموزش پارامترهای انعطاف‌پذیری ارائه خواهد شد. به همین منظور شبکه عصبی پیشرو انعطاف‌پذیر ارائه شده برای شناسایی سری‌های زمانی آشوبی مکی -گلاس به عنوان سیستم‌های پویای غیرخطی به کار گرفته می‌شود و نتایج حاصل از شبی سازی‌ها در سنجش توانایی این دو از شبکه عصبی به منظور شناسایی سیستم‌های غیرخطی، آنالیز می‌گردد.

کلیدواژه ها:

شبکه‌های عصبی پیشرو انعطاف‌پذیر ، شبیه‌سازی ذوب فلز ، شناسایی سیستم غیرخطی ، سری‌های زمانی آشوبی