طراحی ساختار مدل شبکه ی عصبی بر پایه معیارهای پیچیدگی

از مشکلات اصلی بکار گیری شبکه عصبی تعیین تعداد نرون های بهینه در لایه ی پنهان آن است. هر چه سیستم ساده تر و رفتار آن به یک سیستم خطی نزدیکتر باشد، به طبع تعداد نرون های کمتری برای شناسایی آن لازم است. روش معمول برای تعیین تعداد نرون بهینه، بررسی نمودار mse داده های آزمایش و آموزش، برحسب تعداد نرون ها می باشد. در این پروژه از شاخص هایی برای تشخیص میزان پیچیدگی یک سیستم استفاده شده تا تعداد نرون بهینه در نقاط کاری مختلف تعیین گردد. با یافتن تعداد بهینه ی نرون ها می توان شناسایی مناسبی از سیستم داشت. شاخص های غیر خطی گری، آنتروپی و لیبشیتز که به ترتیب میزان غیر خطی بودن یک سیستم، میزان پیچیده بودن و تعداد دینامیک های موثر یک سیستم را بیان می کنند بکار گرفته شده است. در این تحقیق یک شبکه عصبی pnn که بر اساس شاخص های بکار گرفته شده تعداد بهینه ی نرون ها را تخمین می زند، مورد استفاده قرار گرفته است و در انتها از الگوریتم ارائه شده برای یافتن تعداد نرون های بهینه در شبکه ی عصبی mlp با یک لایه ی پنهان به عنوان مدل پیش بین در کنترل کننده پیش بین غیرخطی استفاده شده است. از این روش برای سیستم کنترل ph بهره گرفته شده است و بر اساس بررسی mse داده های آزمایش و آموزش نشان داده می شود که این تعداد نرون تخمین زده شده عملکرد مطلوبی دارد.