Journal of Control
مجله کنترل
JoC
Engineering & Technology
http://joc.kntu.ac.ir
1
admin
2008-8345
2538-3752
10.52547/joc
fa
jalali
1391
3
1
gregorian
2012
6
1
6
1
online
1
fulltext
fa
پیاده سازی شبکه های عصبی راف با یادگیری احتمالاتی جهت شناسایی سیستم های غیرخطی
Implementation of Rough Neural Networks with Probabilistic Learning for Nonlinear System Identification
تخصصي
Special
پژوهشي
Research paper
در این مقاله یک شبکه عصبی راف بهبود یافته به منظور شناسایی سیستم های غیرخطی آشوبی ارائه شده است. شبکه های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون های راف طراحی می شوند. یک نرون راف را می توان بصورت زوجی از نرون ها در نظر گرفت، که به نرون های کرانه بالا و کرانه پایین موسوم هستند. رویکرد نرون راف استفاده از محاسبات بازه ای در شبکه عصبی را امکان پذیر می سازد، بنابراین می توان آنرا به عنوان نگرشی نوین در زمینه طراحی شبکه های عصبی تلقی نمود. همانند شبکه های پرسپترون چندلایه، شبکه های عصبی راف نیز می توانند با استفاده از الگوریتم پس انتشار خطا مبتنی بر گرادیان نزولی آموزش داده شوند، با این حال این الگوریتم دارای مشکلاتی مانند کمینه محلی است. در این مقاله روش یادگیری با نظارت جدیدی براساس احتمال خطای موثر نرون ها، برای آموزش شبکه های عصبی ارائه شده است که آنرا یادگیری احتمالاتی می نامیم. جهت ارزیابی این تحقیق، کارایی شبکه عصبی راف بهبود یافته و الگوریتم یادگیری پیشنهادی برحسب خطای شناسایی سری های زمانی آشوبی مورد بررسی قرار گرفته است.
In this paper an improved rough neural network is presented for identification of chaotic system. Rough neural networks are a type of neural stractures that they are designed based on rough neurons. A rough neuron is considered as a pair of neurons that called lower boandry neuron and upper boandry neuron. Rough neuron approach, allows use of interval computing in neural networks, therefore it can be considered as a new opinion in designing neural networks. The same as multilayer perceptron, rough neural networks also can be trained using by back propagation algorithm based on gradient descending, however, this algorithm has problems such as local minima. In this paper, a new supervised learning method based on effective error of neuron is presented for training of neural networks, which it is called probabilistic learning. To evaluate this study, performance of rough neural network improved, and proposed learning algorithm have been examined in terms of error detection of chaotic time series.
نرون راف, شبکه عصبی راف, یادگیری احتمالاتی, شناسایی سیستم غیرخطی و سری های زمانی آشوبی
Rough Neural Networks, Probabilistic Learning, Nonlinear System Identification.
41
50
http://joc.kntu.ac.ir/browse.php?a_code=A-10-82-1&slc_lang=fa&sid=1
Seyyed Mohammad Javad
Alehasher
سید محمد جواد
آل هاشر
soheil.alehasher@gmail.com
1003194753284600773
1003194753284600773
Yes
دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
Mohammad
Teshnehlab
محمد
تشنه لب
teshnehlab@kntu.ac.ir
1003194753284600774
1003194753284600774
No
دانشگاه خواجه نصیر