اموزش شبکه عصبی کوهنن با استفاده از فیلتر ذره ای

در این پایان نامه، به بررسی و اصلاح یکی از پرکاربرد ترین شبکه های عصبی خودسازمانده یعنی شبکه عصبی کوهنن با استفاده از الگوریتم توانمند فیلتر ذره ای پرداخته ایم. شبکه عصبی کوهنن کاربرد فراوانی در مسائلی همچون تخمین چگالی احتمال، پردازش تصویر و صوت، و روباتیک دارد. در بسیاری از مسائل مهندسی خصوصاً در مواردی که یا چگالی احتمال سیستم نامعین است و یا سیستم تحت نویز و اغتشاش غیر گوسی قرار می گیرد، الگوریتم های مونت کارلو و خصوصاً فیلتر ذره ای، از کارایی خیره کننده ای در مقایسه با الگوریتم های قدرتمندی همچون فیلترکالمن توسعه یافته، برخوردارند. امروزه این الگوریتم ها مورد توجه اغلب محققین قرار گرفته است. یک مشکل اساسی در الگوریتم شبکه عصبی کوهنن ایجاد سلول های مرده پس از گذشت مدت زمان کوتاهی از عمر اجرای الگوریتم است. این مساله باعث می شود تا بعضاً قسمت بزرگی از سلول های شبکه دیگر در فرایند به هنگام سازی شرکت نکرده که باعث تضعیف عملکرد الگوریتم می شود. در راستای حل این مشکل روش های اصلاحی گوناگونی ارائه شده و در این پایان نامه ما نیز یک روش جدید برای اصلاح الگوریتم و بهینه نمودن عملکرد آن، ارائه نموده ایم. درواقع ضرایب شبکه عصبی کوهنن با استفاده از الگوریتم sir تخمین زده شده است که این کار نه تنها مشکل اساسی سلول مرده را برطرف نموده، بلکه باعث بهبود عملکرد شبکه در تخمین تابع چگالی احتمال و بالاتر رفتن دقت اجرای الگوریتم نیز شده است. مزیت استفاده از الگوریتم فیلتر ذره ای برای آموزش شبکه عصبی کوهنن در دقت فزاینده ی روش مونت کارلو در پیش بینی و تخمین براساس داده های محدود در دسترس، عدم استفاده از پسخور برای مقایسه خروجی با داده های حاصل از مشاهده و اندازه گیری، و همچنین همخوانی این الگوریتم با الگوریتم یادگیری شبکه عصبی کوهنن و به طور کلی با دسته بسیار بزرگ از اینگونه شبکه ها موسوم به شبکه های خودسازمانده بدون ناظر می باشد.