بررسی کارایی شبکه های عصبی با توابع تحریک نامرسوم در شناسایی سیستم ها

پروژه متلب بررسی کارایی شبکه های عصبی با توابع تحریک نامرسوم در شناسایی سیستم ها

در شبکه های عصبی معمولا از یک سری توابع به عنوان تابع تحریک شبکه عصبی استفاده می شود . تابع تحریک شبکه عصبی ، نقش بسیار مهمی در کارایی شبکه و همگرایی الگوریتم آموزش دارد . این پروژه از دو قسمت تشکیل شده است ، در قسمت اول ما توابع متفاوتی را برای شبکه عصبی به کار می بریم و کارایی شبکه را با استفاده از این توابع مقایسه می کنیم . و در قسمت دوم تابع تحریک شبکه عصبی را به صورت یک تابع قابل آموزش تعریف می کنیم که این تابع قادر است در طول فرآیند آموزش  مانند ورن های شبکه آموزش یابد . از طرفی برای مقایسه کارایی شبکه ها با توابع متفاوت ، مسئله سری زمانی به همراه یک سیستم غیرخطی انتخاب شده اند که شبکه های عصبی متفاوت ، به منظور بررسی کارایی ، در حل این دو مسئله به کار گرفته می شوند . لازم به ذکر است که از الگوریتم آموزشی BP ، برای آموزش استفاده      می کنیم .

 مقدمه :

در عمل بسیاری از سیستم ها غیر خطی می باشند که برای شناسایی این سیستم ها ، روش شناسایی با شبکه های عصبی روش مناسبی می باشد . از طرفی سیستم ها از نظر غیرخطی متفاوت می باشند ، مثلا دستگاه PH از جمله سیستم ها با غیرخطی گری شدید می باشد . بدیهی است که در این سیستم ها باید کارایی شبکه های عصبی ارتقا یابد . در حدود چندین دهه در مسائل مربوط به سری زمانی ، از روش هایی مانند AR ، MA و … استفاده شده است . باکس و جنکینز  مدل ARIMA را به منظور پیشگویی مسئله سری زمانی به کار بردند [۱]. مدل ARIMA در حالت کلی برای سری های غیر ساکن استفاده می شوند اما این مدل به طور موثر نمی تواند خواص غیرخطی را بیان کند . به منظور پیشرفت پیشگویی سری زمانی مدل های دیگری همچون ARCH ارائه شدند [۲] . گرچه این روش ها منجر به بهتر شدن پیشگویی شده اند اما نشان داده شده است که این روش ها برای کاربرد های خاصی جواب می دهند و عمومیت ندارند . شبکه های عصبی یکی از روش هایی هستند که در بسیاری از زمینه ها مورد توجه قرار گرفته شده اند . شبکه های عصبی در مسائل پیچیده و غیر خطی ، در مسائلی همچون هواشناسی ، مصرف انرژی و … کاربرد فراوانی داشته اند و در این زمینه ها بسیار موفق عمل کرده اند . بنابراین شبکه های عصبی به خاطر خاصیت یادگیری خود ، قادرند مسائل غیرخطی را آموخته و مقادیر سیستم را پیش بینی کنند . در کل کارایی یک شبکه عصبی به پارامترهای متفاوتی از قبیل  تعداد نورون ها ، تعداد لایه های به کار رفته در ساختار آن ، نوع تابع شبکه عصبی ، تعداد ایپاک های آموزش و الگوریتم آموزشی وابسته است . گرچه تاکید اصلی بر روی الگوریتم آموزشی و نوع تابع شبکه عصبی می باشد . از طرفی انتخاب تابع شبکه عصبی بسیار ضروری است زیرا بر روی پیچیدگی و کارایی شبکه تاثیر داشته و نقش کلیدی را در همگرایی الگوریتم آموزش ایفا می کند [۳] ،[۴] ،[۵] ،[۶]. توابع متفاوتی برای شبکه های عصبی ارائه شده اند ، پائو[۷] ترکیبی از توابع مختلف ماز قبیل سیگموئید ، پریودیک ، گوسین و چندجمله ای ، را برای شبکه عصبی به کاربرد . هارتمن [۸] ، میله های گوسین را به کار برد . هورنیک [۹] ،[۱۰] و لشنو [۱۱] ، از توابع غیر خطی استفاده کردند . لئونگ و هیکینگ[۱۲]  از توابع کسری برای این منظور استفاده کردند و نتایج بسیار خوبی را بدست آوردند .

لینک مقاله اصلی:

Parametric system identification using neural networks

و

Comparison of new activation functions in neural network for forecasting financial time series

https://www.cin.ufpe.br/~tbl/artigos/NeuralComput&Applic-gecy-Final.pdf