مدلسازی سیستم های فوق آشوب با استفاده از شبکه عصبی ELM و بهبود پارامترهای آن با استفاده از الگوریتم بهینه سازی SFS

در این مقاله جهت مدلسازی سیستم های آشوب و فوق آشوب از مدل ماشین یادگیری افراطی (ELM) استفاده شده است. جهت بهبود عملکرد مدل ELM، از الگوریتم بهینه سازی تکاملی جستجوی فرکتال تصادفی (SFS) برای تنظیم پارامترهای شبکه عصبی ELM استفاده شده است. این روش مبتنی بر اشتقاق یک ذره به چندین ذره دیگر است و به دلیل پوشش فضا به صورت یکنواخت و عدم بوجود آمدن نقاط بهینه محلی و همچنین بدلیل رشد نرمی که دارد می تواند اکتشاف همه فضا را انجام دهد. سیستم های آشوبحساس به شرایط اولیه بوده و دارای رفتار غیرخطی شدید هستند. در این مقاله از پنج سیستم فوق آشوبلورنز، چن، لو، راسلر و چوا جهت مدلسازی استفاده شده است. سیستم های فوق آشوب به دلیل دارا بودن بیشاز دو متغییر دارای پیچیدگی بیشتری نسبت به سیستم های آشوب هستند. همچنین حداقل دو نمای لیاپانوفمثبت در آنها وجود داشته و فضای کلید آنها نسبت به توابع آشوب معمولی بزرگ تر است. روش پیشنهادیموثرتر از روشهای پیشین از لحاظ دقت و کاهش خطا است. نتایج شبیه سازی توسط معیارهای RMSE, KSE ,LLE،اندازه گیری شده است.