| Authors | محسن فرشاد |
|---|
| Conference Title | هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع |
|---|
| Holding Date of Conference | 2025-11-10 |
|---|
| Event Place | اسفراین |
|---|
| Page number | 0-0 |
|---|
| Presentation | SPEECH |
|---|
| Conference Level | Internal Conferences |
|---|
| Keywords | شبکه عصبی حالات انعکاسی, آموزش برخط, الگوریتم حداقل میانگین مربعات, حذف دینامیک های مشابه, سیستم فیدبک خالص. |
|---|
Abstract
شبکه های عصبی حالات انعکاسی به دلیل سادگی آموزش و توانایی بالا در مدل سازی سیستم های دینامیکی غیرخطی، گزینه مناسبی برای طراحی کنترل کننده هستند. با این حال، استفاده از مخزن با ابعاد بزرگ در این شبکه ها، ضمن افزایش حجم محاسبات، منجر به تولید دینامیک های مشابه و در نتیجه، ایجاد مقادیر ویژه نزدیک به صفر در ماتریس همبستگی حالات می شود. این پدیده، دقت آموزش برون خط را کاهش داده و باعث ناپایداری یا کندی شدید همگرایی الگوریتم آموزش برخط حداقل میانگین مربعات می گردد. در این مقاله، روشی نوین برای غلبه بر این چالش ارائه شده است. در روش پیشنهادی، پس از تولید حالات مخزن، سلول هایی که دینامیک های مشابهی دارند، بر اساس معیار همبستگی متقابل حذف شده و تنها «حالات منتخب» برای آموزش شبکه مورد استفاده قرار می گیرند. این کار نه تنها حجم محاسبات را به میزان قابلتوجهی کاهش می دهد، بلکه با حذف مقادیر ویژه نزدیک به صفر، دقت آموزش برون خط را افزایش و پراکندگی طیفی ماتریس همبستگی را بهبود می بخشد که نتیجه آن، تسریع چشمگیر همگرایی الگوریتم آموزشی است. کارایی روش پیشنهادی در طراحی کنترل کننده برخط برای یک سیستم فیدبک خالص غیرخطی (سیستم CSTR) مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان می دهد که در حالی که شبکه مرسوم قادر به همگرایی نیست؛ روش پیشنهادی با ضریب شباهت بهینه 0.8، عملکرد کنترلی مطلوبی را در پیگیری سیگنال مرجع و همچنین مقاومت در برابر تغییر پارامترهای سیستم و اغتشاشات از خود نشان می دهد.
Paper URL