شناسایی سیستم های دینامیکی غیرخطی با شبکه های عصبی بازگشتی
Abstract(in Persian; no English abstract is available)
اصلی¬ترین هدف در شناسایی سیستم¬ها ایجاد مدلی است که رفتاری همانند سیستم اصلی داشته باشد. شناسایی، در سیستم¬های غیرخطی دارای ملاحظات بیشتری نسبت به سیستم¬های خطی است. چرا که فرآیند¬های غیرخطی عموما به¬ صورت منحصر به فرد عمل می¬نمایند و خصوصیات مشترک کمی دارند. در برخی مواقع سیستم غیرخطی مورد نظر یک جعبه سیاه است که هیچ اطلاعی از درون سیستم در دست نمی باشد و تنها اطلاع ما از سیستم، دسته ای از داده ورودی- خروجی و مرتبه سیستم است. کاربرد شبکه¬های عصبی در زمینه شبیه-سازی و کنترل روز به روز در حال گسترش می¬باشد. به دلیل اینکه شبکه عصبی نیاز به داشتن اطلاعاتی درباره سیستم یا فرآیند ندارد، این روش همانند روشهای جعبه سیاه عمل می¬کند. توانایی تخمین پاسخ سیستمهای فیزیکی که از معادلات پیچیده¬ای برخوردار می¬باشند، با استفاده از شبکه عصبی بازگشتی بسیار آسان شده است. در این پایان¬نامه یک معماری برای شبکه¬های عصبی بازگشتی جهت شناسایی سیستمهای دینامیکی ارائه شده است. معماری ارائه شده بر اساس اطلاعات محدودی از ورودی – خروجی بدست آمده از سیستم اصلی، برای شناسایی هر دو نوع سیستمهای دینامیکی خطی و غیرخطی بکار می¬رود. یک لایه ورودی، یک لایه میانی، یک لایه خروجی به اضافه یک لایه زمینه ساختار شبکه را تشکیل می¬دهند. حافظه دینامیکی در شبکه از طریق فیدبک¬هایی بیش از یک واحد از عصب¬های لایه مخفی و اعمال این فیدبک¬ها به عنوان ورودی لایه زمینه و وجود خود بازگشتیها با وزن¬های قابل تنظیم در عصب¬ لایه خروجی، فراهم شده است. ورودی سیستم در همان لحظه و لحظات قبلی، بخش اول لایه ورودی شبکه را تشکیل می¬دهند. با توجه به برتری روش شناسایی سری- موازی به شناسایی موازی، به جای اینکه فیدبک¬ها از خروجی شبکه عصبی گرفته شوند، از خروجی سیستم فیدبک گرفته می¬شود. بدین ترتیب خروجی لحظات قبلی سیستم نیز بخش دوم لایه ورودی شبکه را تشکیل می¬دهند. وجود این فیدبک¬ها در ساختار، باعث می¬شود حافظه دینامیکی در شبکه افزایش یافته و معماری ارائه شده برای تخمین توابع غیرخطی مناسب باشد. الگوریتم پس انتشار با توجه به سرعت بالای همگرایی برای آموزش شبکه در نظر گرفته شده است. با توجه به اینکه روش بهینه¬سازی گرادیان کاهشی برای اصلاح وزن¬ها از نرخ یادگیری ثابت استفاده می¬کند و امکان گیر افتادن در مینیمم محلی زیاد است، برای اصلاح وزن¬ها از قوانین تطبیقی روش حداقل مربعات بازگشتی استفاده می¬شود.