مروری بر سیستم های هوشمند (شبکه های عصبی) از دیدگاه تئوری کلاسیک و کاربرد آن ها در مدل سازی و کنترل سیستم های پیچیده

امروزه با پیشرفت صنعت و فناوری، شاهد پیچیده تر شدن روزافزون سیستم ها هستیم. این پیچیدگی در صنعت، مستلزم پیشرفت موازی برای کنترل کننده ها نیز بوده است که نیازمندی به سیستم های کنترل یا کنترل کننده های پیشرفته و هوشمند را چندین برابر کرده است. یکی از مهم ترین معیارها در طراحی هر سیستم کنترلی، شناخت دقیق سیستم یا به بیان دقیق تر مدل سازی سیستم است. با در نظر گفتن این دو چالش، در این مقاله به بررسی سیستم های هوشمند و به طور خاص شبکه های عصبی از دیدگاه تیوری کلاسیک و کاربرد آن ها در مدل سازی و کنترل سیستم های پیچیده پرداخته می شود. در این راستا، ابتدا عنصر اصلی شبکه های عصبی یعنی نرون معرفی شده و انواع مدل آن (جمعی و شعاعی) ارایه می گردد. سپس انواع شبکه های عصبی از قبیل شبکه های عصبی پرسپترون چندلایه (MLP)، شبکه های عصبی شعاعی پایه (RBF) و شبکه های عصبی بازگشتی (RNN) تشریح می گردند و در مورد تعداد لایه ها و تعداد مناسب نرون های لایه های پنهان این شبکه های عصبی برای کاربردهای مختلف و به خصوص جهت تقریب توابع غیرخطی بحث می شود. در ادامه سعی می شود که پلی بین مفاهیم و اصطلاحات شبکه های عصبی (دنیای هوشمند) و دنیای کلاسیک زد و از دیدگاه تیوری کلاسیک آن ها را موردبررسی قرار داد. نشان داده می شود که از دیدگاه تیوری کلاسیک، یک شبکه عصبی را می توان به عنوان یک ساختار مدل و وزن ها و بایاس های آن را به عنوان پارامترهای مجهول این ساختار در نظر گرفت. در شبکه های عصبی، از الگوریتم های یادگیری برای تعیین پارامترهای مجهول شبکه (وزن ها و بایاس ها) استفاده می شود. در این راستا، الگوریتم های یادگیری شبکه های عصبی از دیدگاه تیوری کلاسیک و به طور خاص در ارتباط با بهینه سازی عددی موردمطالعه و بررسی قرار می گیرند و یک پل ارتباطی میان الگوریتم های یادگیری و روش های بهینه سازی عددی زده خواهد شد و در ادامه مهم ترین الگوریتم های یادگیری شبکه های عصبی به همراه مزایا و معایب آن ها معرفی می شوند. در پایان نیز به دو مورد از کاربردهای مهم شبکه های عصبی، مدل سازی و کنترل، پرداخته می شود و برای هر یک از کاربردهای مذکور، مثال های مختلفی ارایه می گردد تا کارایی شبکه های عصبی به وضوح مشاهده شود.