طراحی دو کلاسه ساز هوشمند MLP وRBF برای تخمین حالت سیستم توزیع و مقایسه خواص آنها

Abstract

برای تعیین استراتژی های کنترلی در سیستم توزیع،و انجام تصمیم گیری های لازم توسط سیستم شناسنده الگو،لازم است حالت سیستم توزیع تخمین زده شود . در این سیستم،هر حالت،یک کلاس(دسته)از داده های اندازه گیری شده می باشد که بیانگر وضعیت سیستم در آن لحظه از زمان است. در این مقاله پس از معرفی مساله و بیان نیازهای موجود برای کار مورد نظر و بیان ضرورت تخمین گر حالت،دو تخمین گر با استفاده از شبکه عصبی با تقارن شعاعی و شبکه عصبی پرسپترون چند لایه طراحی و معرفی میشوند و نشان داده میشود که شبکه MLP در این کاربرد خاص کلاسه سازی از شبکه RBF بهتر عمل می نماید. همچنین اثر انواع توزیع داده ها در فضای کلاسه سازی ، انجام عملیات مقیاس نمودن،پیش-پردازش ، نرمالیزه نمودن و نگاشت همدیس روی فضای کلاسه سازی ، اعمال نویز به ورودی سیستم،انتخاب بهینه درجه تابع خطا و کاهش بزرگترین خطای سیستم(نرمl-p) بر یادگیری ،قدرت تعمیم،درونیابی و برونیابی شبکه های عصبی مصنوعی بررسی شده است. در پایان ، برای آزمون کارآیی سیستم طرح شده در عمل، یک مثال عملی روی شبکه استاندارد بهمراه نتایج شبیه سازی آن ارائه شده است.