ارزیابی تطبیقی الگوریتم های آموزش شبکه عصبی پرسپترون چندلایه در شناسایی و مدل سازی سیستم های دینامیکی غیرخطی

مدل سازی سیستم های غیرخطی یکی از چالش های اساسی در مهندسی مکانیک و کنترل است. در این مقاله، از شبکه های عصبی پرسپترون چندلایه برای شبیه سازی یک سیستم دینامیکی غیرخطی تک ورودی-تک خروجی استفاده شده است. سه الگوریتم آموزشی لوینبرگ-مارکوارت، انتشار مقاوم و گرادیان مزدوج مقیاس شده از نظر دقت مدل، پایداری یادگیری و زمان آموزش با یکدیگر مقایسه شده اند. داده ها به سه مجموعه آموزش، اعتبارسنجی و آزمون تفکیک شده و شاخص های میانگین مربعات خطا و میانگین مربعات خطا برای ارزیابی عملکرد به کار گرفته شده اند. نتایج نشان می دهد الگوریتم انتشار مقاوم، در ترکیب با ساختارهای سه لایه، بهترین توازن را میان دقت بالا و رفتار پایدار یادگیری برای سیستم غیرخطی مورد بررسی فراهم می کند. یافته های این تحقیق می تواند به عنوان راهنمایی عملی برای انتخاب الگوریتم آموزش و ساختار شبکه در مدل سازی سیستم های غیرخطی مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه عصبی پرسپترون چندلایه ، سیستم های غیرخطی ، الگوریتم های آموزش شبکه عصبی ، شبیه سازی دینامیکی ، میانگین مربعات خطا