آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE
آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE
شبکه های عصبی برگشتی
الگوریتم پس انتشار
الگوریتم ترکیبی PSO و DE
شبکه ی عصبی فازی برگشتی
شبکه های RFNN
روش های جدید بهینه سازی
آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE
چکیده :
اخیرا، استفاده از شبکه های عصبی برگشتی (Recurrent) رو به افزایش است. یکی از دلایل بیشتر شدن کاربرد این شبکه ها قابلیت آنها در تقریب زدن رفتار سیستم های دینامیکی به علت ساختار پس خوردی آنهاست. به طور معمول آموزش این شبکه ها با استفاده از پس انتشار خطا (Back propagation) انجام می پذیرد. در این پروژه سعی بر آن است تا در کنار استفاده از مزایای روش پیشین با استفاده از ترکیب آن با روش های جدید بهینه سازی PSO ترکیب شده با DE به بهبود هایی در آموزش شبکه های RFNN دست یابیم. روش PSO نگرشی است برای بیهنه سازی جهانی توابع بدون نیاز به مشتق گیری که این مزیت آموزش شبکه های RFNN را آسان تر می سازد. ترکیب دیدگاه DE با PSO توانسته است که این روش را در دست یابی به نقطه ی کمینه ی محلی چه از نقطه نظر سرعت و چه از نقطه نظر قوام و قابلیت اطمینان یاری رساند. به همین علت با استفاده از ترکیب این 3 روش با یکدیگر همانطور که در ادامه دیده خواهد شد، نتایج خوب و قابل قبولی بدست آمده است.
کلمات کلیدی:
الگوریتم پس انتشار
الگوریتم ترکیبی PSO و DE
شبکه ی عصبی فازی برگشتی
مقدمه
کاربرد شبکه های عصبی در دهه های اخیر از زمان پیدایش آنها بر هیچ کس پوشیده نیست. مدل های مختلف شبکه های عصبی برای کاربرد های گوناگون در سال های اخیر ارئه شده است. از میان انبوه مدل های مختلف، شبکه های عصبی بازگشتی قابلیت خوبی در تخمین توابع دینامیکی به هر اندازه از درجه ی دقت از خود نشان داده اند. به عنوان مثال، جین (Jin) و همکارانش بر روی کاربرد شبکه های عصبی بازگشتی دینامیکی (DRNN) در تخمین یک سیستم دینامیکی زمان پیوسته مطالعاتی انجام داده اند [1] همچنین ترکیب شبکه ی Hopfield و شبکه ی DRNN در تخمین سیستم های دینامیکی توسط آقای فوناهاشی [2] بررسی گردیده است. ویژگی مهم شبکه های عصبی بازگشتی در یادگیری و ذخیره سازی مجازی اطلاعات در آنها به وسیله ی وزن های عصب ها به عنوان حافظه می باشد.
ترکیب شبکه های عصبی با روش های دیگر تخمین در کنترل توسط بسیاری از دانشمندان انجام شده است که از این میان می توان به کار آقای لین(Lin) [3] اشاره نمود. در این مطالعه ایشان از یک مدل کلی شبکه¬ی عصبی برای یک سیستم منطق فازی استفاده نمودند و با استفاده از تلفیق مزایای یک شبکه عصبی و منطق فازی نشان دادند که یک شبکه ی عصبی فازی (FNN) می تواند به عنوان یک نخمین گر جهانی مورد استفاده قرار گیرد. اما مهمترین مشکل یک FNN به علت ساختار شبکه پیش خور آن، محدود شدن کاربرد آن تنها درسیستم های استاتیکی است. به منظور رفع این مشکل در سال 2000 [4]یک شبکه ی عصبی فازی بازگشتی RFNN بر اساس آموزش سوپروایزی ارائه گردید. این شبکه یک نگاشت دینامیکی است و به همین منظور در تخمین سیستم های دینامیکی قابلیت بهتری نسبت به FNN ها از خود نشان می دهد. قابلیت این شبکه ها در برخورد مناسب با ورودی و خروجی های متغیر با زمان به علت رفتار های ذاتی گذرای آن مورد توجه بسیار قرار گرفته است[5]. قابلیت نگهداری اطلاعات به صورت موقتی در این شبکه ها، ساختار این شبکه ها را بسیار ساده نموده است به طوری که برای شناسایی سیستم ها نیاز به تعداد نرون کمتری است. به علت پیچیدگی در آموزش به طریق پس انتشار تنها از قوانین فازی به صورت قطری استفاده گردیده است.
فهرست مطالب
آموزش شبکه ی عصبی فازی برگشتی با استفاده از الگوریتم پس انتشار و الگوریتم جدید ترکیبی PSO و DE 1
چکیده : 1
1 – مقدمه 2
2- ساختار یک شبکه ی RFNN 4
شکل 1- یک شبکه ی عصبی فازی بازگشتی 5
3- الگوریتم PSO-DE 7
4- آموزش شبکه 10
5- نتایج شبیه سازی ها 11
6- نتیجه گیری 12
مراجع: 13