بهبود دقت شبكه هاي عصبي با استفاده از آشوب و به كارگيري آن در پيش بيني سري زماني آشوبي مكي گلاس

شبكه عصبي يكي از ابزارهاي مهم مدلسازي در هوش مصنوعي است، لذا تحقيق و بررسي روشهاي يادگيري در اين ابزار مهم، يك حوزه تحقيقاتي وسيع در تمام علوم از مهندسي تا روانشناسي و پزشكي را تشكيل ميدهد. يكي از حوزههاي كاربردي اين ابزار در مهندسي كنترل، پيشبيني، تقريب و تخمين سيستمهاي پيچيده است. در بيشتر مقالات توجه اصلي در علم شبكههاي عصبي بيشتر بر روي شبكههايي با معماري پيشخور معطوف است. حال آنكه شبكههاي عصبي بازگشتي، داراي خواص متعددي ازجمله توانايي پردازش اطلاعات زماني بوده و كمتر موردمطالعه قرارگرفتهاند. در اين مقاله، يك شبكه عصبي بازگشتي آشوبي، ارائه شده است، سپس كارايي سيستم آموزش آن با دو سيستم مشابه مقايسه شده است. تئوري آشوب در فرآيند آموزش شبكه عصبي باعث فرار از افتادن در مينيمم هاي محلي شده و لذا كيفيت و سرعت آموزش را بسيار بهبود بخشيده است. درنهايت سيستم پيشنهادي براي تخمين سري زماني مكي گلاس به كار گرفته شده است. مقايسه اصلي روي نحوه عملكرد آموزش خواهد بود، يعني ميخواهيم بررسي كنيم كه آيا فرآيند آموزش بهتر صورت گرفته است يا خير. براي اين منظور، نتايج به دست آمده از فرآيند كاهش خطاي ميانگين مربعات، براي هر سه شبكه را باهم مقايسه ميكنيم.ما نشان دادهايم كه روش ما سرعت آموزش را بالابرده است، كيفيت آموزش بيشتر شده است و ماندگاري آموزش را باعث شده است