دانلود شبیه سازی مقاله رویکرد جدید در بهینه سازی و مدل سازی شبکه عصبی فازی

بهینه سازی و مدل سازی شبکه عصبی موجک

به تازگی، مفاهیم شبکه عصبی، منطق فازی، تکنولوژی موجک مورد توجه بسیاری قرار گرفته است. در زمینه هوش مصنوعی، شبکه های عصبی به واسطه توانایی تقریب غیر خطی و استفاده از تحقق آسان، به طور گسترده ای مورد استفاده قرار گرفته اند. با توجه به توانایی تبدیل موجک برای نشان دادن ویژگی عملکرد در منطقه محلی، انواع مختلفی از شبکه عصبی موجک (WNN) که ترکیبی از موجک با شبکه های عصبی است پیشنهاد شده است.

در این مقاله یک رویکرد کارآمد برای ترکیب سیستم فازی Takagi Sugeno-Kang با شبکه عصبی مبتنی بر موجک ارائه شده است. این مدل جایگزین عملکرد ثابت یا یکنواخت ورودی ها در بخش نتیجه گیری از مدل فازی TSK سنتی با شبکه عصبی موجک (WNN) می شود، بنابراین هر قاعده از مجموعه فازی برای جدا کردن فضای ورودی به زیر فضای مورد استفاده در توابع موجک مختلف استفاده می کند.

برای پیدا کردن مقادیر بهینه برای پارامترهای شبکه عصبی موجک فازی پیشنهاد شده (پیشنهاد شده FWNN)، یک الگوریتم یادگیری ترکیبی با یکپارچه سازی بهینه سازی ازدحام ذرات (PSO) و الگوریتم شیب گرادیان مورد استفاده قرار می گیرد. در این مقاله فرآیند دو مرحله ای خطی PSO  ارائه شده است که طرح تعدیل آن، بهینه سازی نسبی شیب مبتنی بر یادگیری مبتنی بر الگو است و یک جواب خوب در فضای جستجو را تعیین می کند. نمونه های شبیه سازی شده برای آزمایش کارایی مدل پیشنهادی FWNN برای شناسایی پاسخ و مدل بهینه استفاده شده است. با بررسی نتایج حاصل از شبیه سازی ها در نرم افزار متلب دیده می شود که رویکرد مدل سازی و بهینه سازی پیشنهادی در این مقاله عملکرد بهتر را به ارمغان می آورد.

شبکه عصبی ویولت