بهینه‌سازی همزمان شبکه‌ی عصبی بازگشتی برای بهبود شناسایی و مدل‌سازی دینامیک غیرخطی هواپیما

در این نوشتار چگونگی استفاده از الگوریتم ژنتیک در آموزش شبکه‌های عصبی، و به‌طور همزمان بهینه‌سازی ساختاری آن‌ها به‌منظور مدل‌سازی دینامیک غیرخطی هواپیماهایی با قابلیت مانور بالا، بررسی می‌شود. ارتباط‌های وزنی، معماری شبکه و قوانین یادگیری از مشخصاتی هستند که نقش بسیار مهمی در کیفیت آموزش و تعمیم شبکه‌های عصبی برای مدل‌سازی سیستم‌های غیرخطی ایفا می‌کنند. لذا تنظیم درست این پارامترها کمک شایانی به بهبود قابلیت تعمیم‌دهی شبکه‌ی عصبی آموزش دیده می‌کند. در این کار از روش الگوریتم ژنتیک عادی و اصلاح شده در کنار ساختارهایی متفاوت از شبکه‌های عصبی استفاده شده است. اعتباربخشی روش از طریق مقایسه و ارزیابی نتایج تحلیلی با داده‌های تجربی حاصل از آزمایش پرواز یک هواپیمای جنگنده‌ی نسل چهارم صورت پذیرفته است. بررسی‌ها نشان‌گر دقت بالای روش در مدل‌سازی دینامیک هواپیماست.