شناسایی و پیش بینی سیستم های آشوب با استفاده از شبکه های عصبی دینامیک زمان گسسته

امروزه رفتار دینامیک اشوبگونه توجه فراوانی را در بسیاری از زمینه های تحقیقاتی به خود معطوف ساخته است که این امر سبب پیشرفت قابل ملاحظه ای در مطالعه اشوب شده است. علاوه بر این بر محققین مسلم شده است که رفتار دینامیکهای اشوبگونه نقش عمده ای را در نرونها و شبکه های عصبی بیولوژیک ایفا می کنند از این رو محققین در تلاشند تا بتوانند به کمک دینامیک اشوبگونه رفتار نرونهای واقعی را با نرونهای مصنوعی مدل کنند و با فرض اینکه در سیستمهای اشوب شرایط اولیه در هر مرحله تغییر پیدا می کند و دینامیک روشنی از سیستم در دسترس نمی باشد. دراین مقاله سعی شده با استفاده از شبکه های عصبی پویا که تطبیق پذیری بیشتری نسبت به شرایط مختلف دارند و قادر به شبیه سازی چنین رفتار پیچیده ای هستند را برای شناسایی و پیش بینی سیستمهای اشوب که به شرایط اولیه بسیار حساس هستند به کار گرفته می شود از جمله این سیستم ها مانند سری زمانی هنن و مکی گلاس را می توان نام برد که البته این سریهای زمانی با استفاده از شبکه های عصبی بازگشتی همانند المن، جردن و یا ترکیبی از اینگونه شبکه ها شبیه سازی شده اند که قادر به پیشگویی تا 3 تا 4 گام جلوتر بودند.

کلیدواژه ها:

الگوریتم پس انتشار خطا ، سیستمهای اشوب ، شبکه های عصبی پویا ، شناسایی و پیش بینی