بهبود دقت شبکه های عصبی با استفاده از آشوب و به کارگیری آن در پیش بینی سری زمانی آشوبی مکی گلاس

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 585

فایل این مقاله در 14 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:

IRCEM02_071

تاریخ نمایه سازی: 7 اسفند 1396

چکیده مقاله:

شبکه عصبی یکی از ابزارهای مهم مدلسازی در هوش مصنوعی است، لذا تحقیق و بررسی روش های یادگیری در این ابزار مهم،یک حوزه تحقیقاتی وسیع در تمام علوم از مهندسی تا روانشناسی و پزشکی را تشکیل میدهد. یکی از حوزه های کاربردی اینابزار در مهندسی کنترل، پیش بینی، تقریب و تخمین سیستم های پیچیده است . در بیشتر مقالات توجه اصلی در علم شبکه هایعصبی بیشتر بر روی شبکه هایی با معماری پیش خور معطوف است. حال آنکه شبکه های عصبی بازگشتی، دارای خواص متعددیازجمله توانایی پردازش اطلاعات زمانی بوده و کمتر موردمطالعه قرارگرفته اند. در این مقاله، یک شبکه عصبی بازگشتی آشوبی،ارایه شده است، سپس کارایی سیستم آموزش آن با دو سیستم مشابه مقایسه شده است . تیوری آشوب در فرآیند آموزش شبکهعصبی باعث فرار از افتادن در مینیمم های محلی شده و لذا کیفیت و سرعت آموزش را بسیار بهبود بخشیده است. درنهایتسیستم پیشنهادی برای تخمین سری زمانی مکی گلاس به کار گرفته شده است. مقایسه اصلی روی نحوه عملکرد آموزش خواهدبود، یعنی میخواهیم بررسی کنیم که آیا فرآیند آموزش بهتر صورت گرفته است یا خیر. برای این منظور، نتایج به دست آمده ازفرآیند کاهش خطای میانگین مربعات، برای هر سه شبکه را باهم مقایسه میکنیم.ما نشان داده ایم که روش ما سرعت آموزشرا بالابرده است، کیفیت آموزش بیشتر شده است و ماندگاری آموزش را باعث شده است.

کلیدواژه ها:

نویسندگان

رامین حیدربیگی

دانشجوی کارشناسی ارشد برق کنترل، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران

مهدی یعقوبی

دانشیار گروه برق، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران