بهینه سازی همزمان شبکه ی عصبی بازگشتی برای بهبود شناسایی و مدل سازی دینامیک غیرخطی هواپیما

در این نوشتار چگونگی استفاده از الگوریتم ژنتیک در آموزش شبکه های عصبی، و به طور همزمان بهینه سازی ساختاری آن ها به منظور مدل سازی دینامیک غیرخطی هواپیماهایی با قابلیت مانور بالا، بررسی می شود. ارتباط های وزنی، معماری شبکه و قوانین یادگیری از مشخصاتی هستند که نقش بسیار مهمی در کیفیت آموزش و تعمیم شبکه های عصبی برای مدل سازی سیستم های غیرخطی ایفا می کنند. لذا تنظیم درست این پارامترها کمک شایانی به بهبود قابلیت تعمیم دهی شبکه ی عصبی آموزش دیده می کند. در این کار از روش الگوریتم ژنتیک عادی و اصلاح شده در کنار ساختارهایی متفاوت از شبکه های عصبی استفاده شده است. اعتباربخشی روش از طریق مقایسه و ارزیابی نتایج تحلیلی با داده های تجربی حاصل از آزمایش پرواز یک هواپیمای جنگنده ی نسل چهارم صورت پذیرفته است. بررسی ها نشان گر دقت بالای روش در مدل سازی دینامیک هواپیماست.

کلیدواژه ها:

دینامیک غیرخطی هواپیما ، شناسایی سیستم ، شبکه های عصبی ، الگوریتم بهینه سازی