و بهبود تخمين پارامترهاي آن با استفاده از الگوريتم فرااكتشافي جستجوي فركتالي تصادفي بهبود يافته ELM شناسايي سيستم­هاي فوق آشوب با استفاده از مدل شبكه عصبي

در اين مقاله، جهت مدلسازي سيستم هاي آشوب و فوق آشوب از مدل ماشين يادگيري افراطي (ELM) استفاده شده است. جهت بهبود عملكرد مدل ELM، از الگوريتم بهينه سازي تكاملي جستجوي فركتال تصادفي (SFS) براي تنظيم پارامترهاي شبكه عصبي ELM استفاده شده است. اين روش مبتني بر اشتقاق يك ذره به چندين ذره ديگر است و به دليل پوشش فضا به صورت يكنواخت و عدم بوجود آمدن نقاط بهينه محلي و همچنين بدليل رشد نرمي كه دارد مي تواند اكتشاف همه فضا را انجام دهد. سيستم هاي آشوب حساس به شرايط اوليه بوده و داراي رفتار غيرخطي شديد هستند. در اين مقاله از پنج سيستم فوق آشوب لورنز، چن، لو، راسلر و چوا جهت مدلسازي استفاده شده است. سيستم هاي فوق آشوب به دليل دارا بودن بيش از دو متغيير داراي پيچيدگي بيشتري نسبت به سيستم هاي آشوب هستند. همچنين ﺣﺪاﻗﻞ دو ﻧﻤﺎي ﻟﻴﺎﭘﺎﻧﻮف ﻣﺜﺒﺖ در آنها وجود داشته و فضاي كليد آنها نسبت به توابع آشوب معمولي بزرگ تر است. روش پيشنهادي موثرتر از روشهاي پيشين از لحاظ دقت و كاهش خطا است. نتايج شبيه سازي توسط معيارهاي RMSE ,KSE ,LLE اندازه گيري شده است.