مهدی روپایی - بخش برق و الکترونیک- دانشکده مهندسی- دانشگاه شیراز

تقریب سازی توابع به عنوان یک مساله پایه در بسیاری ا ز زمینه های مهندسی مطرح می شود . برای این منظور از روشهای مختلفی مانند curve fitting و interpolation استفاده می گردد. شبکه های عصبی RBF به دلیل سادگی و سرعت بالای آموزش می توانند کاندیدای مناسبی در نیل به این هدف باشند . با این وجود، ساختارها و الگوریتمهای بکار رفته در این شبکه ها دارای ضعفهایی از جمله عدم توانایی در تقریب سازی توابعی که در فواصل مشخص ثابت هستن د و همچنین در رویارویی با داده های دارای خطای زیاد، می باشند . این مقاله رویکردی است تا با بیان الگوریتم های جدید آموزش شبکه، در جهت کاهش ضعف های مطرح شده فوق بر آید.

تقری بسازی توابع، فیلتر (M- شکل)، تابع پایه ای شعاعی (Outlier data ، Robust Objective Function ،( RBF