ارائه شبکه عصبی برمبنای مجموعه های راف بمنظور سیستمهای دارای عدم قطعیت

دانش بازه ای رهیافت نوینی در اکتساب، بازنمایی و پردازش دانش با استفاده از محاسبات در حضور نامعینی و عدم قطعیت به شمار می رود. بشر در مواجه با پدیده ها به جای آنالیز آنها با استفاده از اطلاعات دقیق،اطلاعات حدودی را به عنوان عناصر ابتدایی دانش بکار می برد. این اطلاعات حدودی که در واقع به شکل بازه هایی انتزاعی هستند معمولا با توابع عضویت، اعداد بازه ای، مجموعه ها، خوشه ها و نظایر آن بازنمود می شوند.نظریه مجموعه های راف که برای آنالیز داده ها ارائه شده است را می توان یکی از رویکردهای اصلی در اکتساب،بازنمایی و پردازش دانش بازه ای به شمار آورد. این نظریه با هدف برخورد با تناقض و ناسازگاری در داده ها،چارچوبی را برای اکتساب دانش در مواجه با ابهام و عدم قطعیت فراهم می آورد . از آنجا که داده های واقعی همواره با عدم قطعیت همراه هستند و از سوی دیگر بیشترسیستم ها غیرخطی هستند و شبکه های عصبی کلاسیک نمی توانند تقریب کامل و قابل قبولی برای این سیستم ها به دست دهند، در صورت حضور داده های آغشته به نویز،عملکرد سیستم مطلوب نیست. برای برطرف ساختن این مشکل، شبکه های عصبی مقاوم در برابر عدم قطعیت معرفی شده است. یکی از این شبکه های عصبی مقاوم، شبکه عصبی راف 3 است تفاوت اصلی این شبکه ها با شبکه های عصبی چندلایه در ساختار نورن ها و وزنهای ارتباطی بین نورن ها است. در این شبکهها به جای وزن ها و نورن های قطعی از وزن ها و نورن های بازهای استفاده میشود به این صورت که برای نورنها و وزنها، حد بالا و حد پایین تعریف میشود و این روند برای تمامی لایهها قابل اجرا است. بازهای بودن وزنها و نورنها با پوشش دادن عدم قطعیت موجود در مدل سیستم و داده های ورودی می تواند مقاومت سیستم را در برابر نویز و اغتشاشات ورودی تا حد زیادی افزایش دهد. در ادامه دو مثال کاربردی از شبکه عصبی راف ارائه شده است که عملکرد بهتر این روش را نسبت به روشهای مرسوم در پیش بینی و کنترل سیستمها نشان می دهد. با توجه به عدم درمان قطعی بیماران دیابتی نوع یک، استفاده از روش کنترلی مناسب در یک سیستم حلقه بسته برای تعین میزان انسولین تزریقی به بیمار، تا حد زیادی به بهبود کیفیت زندگی این بیماران کمک خواهد کرد. از آنجا که سیستمهای بیولوژیکی با عدم قطعیتهای زیادی مواجه هستند استفاده از کنترلکننده عصبی مقاوم راف، مقاومت سیستم را در برابر عدم قطعیتهای موجود در مدل و پارامترهای سیستم تا حد زیادی تضمین می کند و کنترلکننده قادر خواهد بود در مواجهه با اغتشاشات ناشی از مصرف مواد غذایی به خوبی میزان قند خون بیمار را کاهش داده و در سطح پایدار تثبیت نماید. کاهش زمان تثبیت سطح قند خون در میزان طبیعی، کنترل پیوسته و بدون تاخیر قند خون و مقاومت بالا در برابر عدم قطعیت ها به دلیل استفاده از کنترل کننده عصبی مقاوم راف در کنار مد لغزشی به عنوان یک روش قدرتمند در سیستمهای غیرقطعی و غیرخطی از جمله مزایایی است که عملکرد بهتر این روش را در تنظیم سطح قند خون نسبت به روش های قبلی انجام شده توسط محققان نشان می دهد. استفاده از شبکه عصبی راف در پیش بینی میانگین متوسط دمای روزانه با استفاده از داده های هواشناسی شهر تبریز، عملکرد بسیار خوب شبکه عصبی راف با تعداد نورن های کم در لایه میانی نشان میدهد. علت این امر نیز وجود پارامترهای قابل تنظیم بیشتر در این شبکه است که با تعداد دور آموزش مناسب، نتایج قابل قبولی می تواند داشته باشد.

ارائه شبکه عصبی برمبنای مجموعه های راف بمنظور سیستمهای دارای عدم قطعیت Keywords:

کنترل کننده عصبی راف , دیابت نوع یک , تنظیم قند خون , مد لغزشی , هواشناسی و پیش بینی