طراحي شبكه عصبي جلو سوي آشوب‏گونه

Design of a chaotic feed forward neural network

بر اساس مطالعات جديد محققان، سيناپس ها يكي از پوياترين اجزا دستگاه عصبي جانداران هستند و حتي پس از مرحله تعليم نيز قدرت هر سيناپس ثابت باقي نمي ماند. در اين مقاله، روشي براي آشوبي كردن وزن هاي شبكه عصبي جلو سو ارايه شده است. در اين روش وزن هاي يك شبكه عصبي جلو سو پس از تعليم به عنوان وزن هاي پايه در نظر گرفته شده‏اند. با استفاده از توابع لجستيك (كه در محدوده مناسبي به صورت آشوبگونه نوسان مي‏كنند) و وزن‏ها‏ي پايه، شبكه عصبي جلو سوي آشوب‏گونه اي طراحي گرديد كه وزن هاي آن در هر لحظه به صورت آشوب‏گونه تغيير مي كند. با استفاده از الگوريتم ارايه شده در اين مقاله، وزن هاي آشوبي طوري با يكديگر همزمان مي‏شوند كه خطاي خروجي حداقل مي‏گردد. با اين روش، تمامي داده‌هايي كه توسط شبكه جلو سوي پايه اشتباه تشخيص داده شده بودند، شناسايي و براي آنها خروجي "غير قابل شناسايي" ايجاد مي‏شود.

Several scientific researchers have shown that synapses, far from what considered previously, are one of the most dynamic structures in the nervous system. It varies through and after the training stage. A novel feed forward chaotic neural network is designed in this project. The weights of a trained classic feed forward neural network are considered as basic weights. The outputs of chaotic logistic maps are added to the some of the basic weights and this produces a chaotic feed forward neural network. The chaotic weights are synchronized by a proposed algorithm to reduce the output error. Designed chaotic feed forward neural network can separate some data from test set which contain all the recognition errors of the classic feed forward neural network.