یادگیری نظارت شده با سرپرست مضاعف و رویکرد شبکه عصبی راف برای افزایش تعمیم دهی در مدلسازی دینامیک غیرخطی یک کوادروتور

شبکه های عصبی از مهمترین روشهای شناسایی و مدلسازی سیستمهای دینامیکی غیرخطی با کمترین اطلاعات و بر مبنای داده های جمعآوری شده هستند. در این کار پژوهشی از یک ایده جدید برای افزایش تعمیم دهی شبکه عصبی در مدلسازی دینامیک غیرخطی سه درجه آزادی یک ربات پرنده استفاده میشود. بر اساس این ایده، در مرحله آموزش با افزایش ابعاد سرپرست آموزش شبکه یا داده های هدف و بازسازی ابعاد اضافه شده در خروجی شبکه و نیز با بهره گیری از نورنهای راف در لایه-های پنهان شبکه عصبی، قدرت تعمیم دهی شبکه در مدلسازی دینامیک سیستم افزایش مییابد. با استفاده از رویکرد شبکه راف و با کمک یک لایه فازیساز در ورودی شبکه که از توابع عضویت فازی بهره میبرد، ویژگیهای فازی داده های ورودی استخراج شده و در کنار ورودی به مسیر پیشخور شبکه وارد میشود که این کار سبب افزایش تعداد پارامترهای آموزشپذیر میشود. این روش افزایش تعداد پارامترها، سبب بهرهگیری مطلوب از مزایای وجود سرپرست مضاعف آموزش میشود. نتایج شبیه-سازی نشان میدهد که با روش پیشنهادی، قدرت تعمیم شبکه به وضوح افزایش یافته و شاخص میانگین مربعات خطا mse در این روش کاهش چشمگیری دارد.

کلیدواژه ها:

شناسایی سیستم غیرخطی ، شبکه عصبی مصنوعی ، نورن راف ، آموزش باسرپرست ، تعمیمدهی شبکه عصبی