بهبود بازشناسي مقاوم الگو در شبكه‌هاي عصبي بازگشتي جاذب از طريق به‌كارگيري ديناميك‌هاي آشوب‌گونه

در اين مقاله، به‌منظور ارزيابي تاثير ديناميك هاي آشوب گونه در افزايش كارايي شبكه هاي عصبي بازگشتي در بازشناسي مقاوم الگو، دو مدل براي شبكه هاي عصبي آشوب گونه ارايه شده است. در مدل اوّل كه براساس نظريه انتخاب طبيعي طراحي شده است، شبكه عصبي بازگشتي جاذب (ARNN) به‌عنوان هوش حاكم، تنوعات ايجاد شده توسط گره هاي آشوبي را در جهت رسيدن به جواب بهينه هدايت مي‌كند. در مدل دوم، ساختاري از شبكه عصبي آشوب گونه طراحي شده است كه در لايه پنهان خود نورون هايي با تابع فعاليت آشوب گونه دارد. رفتار اين نورون ها توسط پارامترآنها تنظيم مي شود. بهبود درصد صحت عمكرد مدل اوّل در بازشناسي الگوي نوفه‌اي در سطوح نوفه بالا (بيش از 60%) به‌ترتيب 16/37%، 15/29% و 5/8% نسبت به شبكه جلوسو، شبكه عصبي آشوب گونه برمبناي گره اشوبي - NDRAM و شبكه ARNN، است. همچنين مدل دوم، درصد صحّت بازشناسي شبكه ARNN و مدل اوّل را در بازشناسي الگوي نوفه‌‌اي در سطوح نوفه بالا (بيش از 60%) به‌ترتيب 91/13% و 41/5% ارتقا داده است. از سوي ديگر، نتايج نشان مي دهد كه اين مدل، حتي در حالت رفتار جاذب نقطه‌اي كه مشابه رفتار شبكه ARNN است، درصد صحّت بازشناسي را 41/10% نسبت به اين شبكه بهبود داده است.