TY - JOUR T1 - Proposing Interval Activation Functions in Radial Basis Function Neural Network to Predict Nonlinear dynamic systems TT - پیشنهاد توابعِ فعال سازِ بازه ای در شبکۀ عصبیِ بر پایه توابعِ شعاعی برای پیش بینی سیستم هایِ غیرِ خطیِ پویا JF - joc-isice JO - joc-isice VL - 9 IS - 4 UR - http://joc.kntu.ac.ir/article-1-97-fa.html Y1 - 2016 SP - 1 EP - 25 KW - Granular Radial Basis Function Neural Network (GRBFNN) KW - Granular activation function KW - Noisy data KW - Interval standard deviation KW - Nonlinear dynamic systems and Chaotic Models. N2 - چکیده: «شبکۀ عصبیِ بر پایۀ توابعِ شعاعی » یک تقریب گر عمومی می باشد. در این مقاله «تابعِ فعال سازِ گرانولی» برای بهبودِ یادگیری این شبکه در شرایط نویزی پیشنهاد می گردد که یک تابعِ گاوسی با «انحراف استاندارد بازه ای و میانگین ثابت» است و به آن «تابعِ فعال سازِ بازه ای» نیز گفته می شود. در لایۀ میانیِ این شبکه، سه پارامترِ وابسته به توابعِ فعال سازِ گرانولی آموزش می بینند که «مرکزِ توابعِ فعال سازِ گرانولی» که مرکز دسته نامیده می شود، کرانِ پائینِ انحرافِ استاندارد و کرانِ بالایِ انحرافِ استاندارد این توابع می باشند. در لایۀ خروجی دو پارامتر دیگر یعنی «مرکزِ وزن هایِ بازه ای» و «بازۀ این وزن ها» آموزش می بینند. برای آموزش این پارامترها از روش «الگوریتم خوشه بندی K-Means» استفاده شده است. در این روش، آموزش شبکه در راستای «گرانوله سازیِ پائین به بالا» می باشد که در آن بردارهای ورودی به شکل گرانول های بزرگتر در لایۀ میانی خوشه بندی می گردند. از روش «گرادیان نزولی» نیز برای آموزش پارامترهای شبکه استفاده شده و نتایج با روش جدید مقایسه گردیده است. عملکردِ این شبکه با شناساییِ «یک سیستمِ غیر خطیِ پویایِ U شکل با پنج ورودی» و پیش بینیِ «سریِ زمانیِ آشوبِ مکی گلاس» در شرایط نویزی و بدون نویز سنجیده می شود. از نتایج معلوم می گردد که استفاده از تابعِ فعال سازِ گرانولی در ساختار شبکۀ عصبیِ RBF؛ باعث کاهش حساسیت به تغییرات ورودی شده و عملکرد آن در شرایط نویزی بهبود می یابد. M3 ER -