پياده سازي شبكه هاي عصبي راف با يادگيري احتمالاتي جهت شناسايي سيستم هاي غيرخطي

Implementation of Rough Neural Networks with Probabilistic Learning for Nonlinear System Identification

در اين مقاله يك شبكه عصبی راف بهبود يافته به منظور شناسايی سيستم  های غيرخطی آشوبی ارائه شده است. شبكه  های عصبی راف نوعی از ساختارهای عصبی هستند كه براساس نرون  های راف طراحی می  شوند. يك نرون راف را می  توان بصورت زوجی از نرون  ها در نظر گرفت، كه به نرون  های كرانه بالا و كرانه پايين موسوم هستند. رويكرد نرون راف استفاده از محاسبات بازه  ای در شبكه عصبی را امكان پذير می  سازد، بنابراين می  توان آنرا به عنوان نگرشی نوين در زمينه طراحی شبكه  های عصبی تلقی نمود. همانند شبكه  های پرسپترون چندلايه، شبكه  های عصبی راف نيز می  توانند با استفاده از الگوريتم پس انتشار خطا مبتنی بر گراديان نزولی آموزش داده شوند، با اين حال اين الگوريتم دارای مشكلاتی مانند كمينه محلی است. در اين مقاله روش يادگيری با نظارت جديدی براساس احتمال خطای موثر نرون  ها، برای آموزش شبكه  های عصبی ارائه شده است كه آنرا يادگيری احتمالاتی می  ناميم. جهت ارزيابی اين تحقيق، كارايی شبكه عصبی راف بهبود يافته و الگوريتم يادگيری پيشنهادی برحسب خطای شناسايی سری  های زمانی آشوبی مورد بررسی قرار گرفته است.

In this paper an improved rough neural network is presented for identification of chaotic system. Rough neural networks are a type of neural stractures that they are designed based on rough neurons. A rough neuron is considered as a pair of neurons that called lower boandry neuron and upper boandry neuron. Rough neuron approach, allows use of interval computing in neural networks, therefore it can be considered as a new opinion in designing neural networks. The same as multilayer perceptron, rough neural networks also can be trained using by back propagation algorithm based on gradient descending, however, this algorithm has problems such as local minima. In this paper, a new supervised learning method based on effective error of neuron is presented for training of neural networks, which it is called probabilistic learning. To evaluate this study, performance of rough neural network improved, and proposed learning algorithm have been examined in terms of error detection of chaotic time series.