شناسایی سیستم­های فوق آشوب با استفاده از مدل شبکه عصبی ELM و بهبود تخمین پارامترهای آن با استفاده از الگوریتم فرااکتشافی جستجوی فرکتالی تصادفی بهبود یافته

Abstract

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 آشوب حساس به شرایط اولیه بوده و دارای رفتار غیرخطی شدید هستند. در این مقاله از پنج سیستم فوق آشوب لورنز، چن، لو، راسلر و چوا جهت مدلسازی استفاده شده است. سیستم های فوق آشوب به دلیل دارا بودن بیش از دو متغییر دارای پیچیدگی بیشتری نسبت به سیستم های آشوب هستند. همچنین ﺣﺪاﻗﻞ دو ﻧﻤﺎی ﻟﻴﺎﭘﺎﻧﻮف ﻣﺜﺒﺖ در آنها وجود داشته و فضای کلید آنها نسبت به توابع آشوب معمولی بزرگ تر است. روش پیشنهادی موثرتر از روشهای پیشین از لحاظ دقت و کاهش خطا است. نتایج شبیه سازی توسط معیارهای RMSE ,KSE ,LLE اندازه گیری شده است.