بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه

در این مقاله، به منظور ارزیابی تأثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارائه شده است. در مدل اول که براساس نظریه انتخاب طبیعی طراحی گردیده است، شبکه عصبی بازگشتی جاذب (arnn) به عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می نماید. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود دارای نورون هایی با تابع فعالیت آشوب گونه می باشد. رفتار این نورون ها توسط پارامترآن ها تنظیم می گردد. بهبود درصد صحت عملکرد مدل اول در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 16/37%، 15/29% و 5/8% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره آشوبی- ndram و شبکه arnn، می باشد. همچنین مدل دوم، درصد صحت بازشناسی شبکه arnn و مدل اول را در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 91/13% و 41/5% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه ای که مشابه رفتار شبکه arnn می باشد، درصد صحت بازشناسی را 41/10% نسبت به این شبکه بهبود داده است.