مسئله هماهنگ سازی شبکه های عصبی آشوبگونه با اغتشاش تصادفی مورد بررسی قرار گرفته است . مسئله کنترل و هماهنگ سازی این سیست م ها به شدت مورد توجه قرار گرقت و روش های مختلفی مثل کنترل حلقه بسته خطی و غیرخطی ، کنترل تطبیقی و نظایر آن جهت رسیدن به این هدف ، ارائه گردید . در مدلسازی سیستم ها ، توانایی تقریب به وسیله نورون ها ، شکل شبکه و قانون آموزش ، محدود می گردد . یک مسئله مهم جهت تحقیق و یررسی می باشد . سیستم های ANN چگونگی بهبود خاصیت ارگادیک آشوبگونه دارای مشخصاتی تصادفی هستند و الگوریتم آشوبی باعث ایجاد خاصیت قوی ارگادیک در شبکه می گردد.
فهرست :
چکیده فارسی
مقدمه
فصل اول
شبکه عصبی
مقدمه
شبکه عصبی
سابقه تاریخی
چرا از شبکه های عصبی استفاده می کنیم
مزیتهای دیگر شبکه های عصبی
شبکه های عصبی در مقابل کامپیوتر های معمولی
انسان و سلول های عصبی مصنوعی در جستجوی شباهت ها
از سلول های عصبی انسانی تا سلول های عصبی مصنوعی
انواع یادگیری برای شبکه های عصبی
زمینه ای در مورد perceptron
دنباله های Perceptron
قضیه بنیادی دنباله ها
هوش جمعی
PSO
فصل دوم
یک شبکه عصبی جدید و کاربرد آن
مقدمه
یک شبکه عصبی جدید و کاربرد آن
معرفی
نورون با خاصیت آشوبگونه
شبکه
قانون آموزش شبکه
مدلسازی ژنراتور سنکرون دریایی
نتایج مدلسازی
نتیجه فصل
فصل سوم
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
مقدمه
آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله
معرفی
منحنی طول – کشش
ساختار برگشتی
تغییرات طیف
نتایج فصل
فصل چهارم
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
مقدمه
هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی
معرفی
نمادها و مقدمات
نتیجه فصل
فهرست منابع
منابع فارسی
منابع لاتین
چکیده انگلیسی
نورون آشوب گونه
سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی
توان گشتاور ورودی و فرکانس خروجی ژنراتور
جریان تحریک ورودی و ولتاژ خروجی پایانه
فرکانس خروجی ژنراتور ، شبکه و خطای بین آنها
تابع کشش – طول فعال
شبکه برگشتی
نمودار دو شاخه شدن
حساسیت به شرط اولیه
ایجاد طیف پیوسته از طریق افزایش فرکانس های گسسته
نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک
دینامیک های سنکرون نشده در فضای حالت