استفاده از شبکه های عصبی ژانگ با زمان گسسته برای بهینه سازی غیرخطی متغیر با زمان

در این مقاله، قصد داریم از شبکه های عصبی ژانگ برای بهینه سازی توابع غیرخطی با زمان متغیر استفاده کنیم. در این جهت از یک مدل کلی گسسته سازی ژانگ با خطای کوتاه سازی O (τ^5) استفاده شده و سعی بر آن شده است تا مطالعه دو مدل کلی پنج مرحله ای زمان گسسته شبکه عصبی ژانگ و کاوش در رابطه پارامتر(a_1) و اندازه بهینه گام (h (گسترش یابد. در این پژوهش، با استفاده از نرم افزار متلب به منظور ورود داده ها به شبکه عصبی پیشنهادی، ابتدا با روش نرمال سازی استاندارد، نرمال شده اند. داده های مورد نظر در پژوهش در چهار مرحله، آموزش، تست، آزمایش و اعتبارسنجی و در پنج فاز مورد بررسی و ارزیابی قرار گرفتند. آموزش داده ها بر مبنای مدل الگوریتم لونبرگ- ماد برای لایه اول و تابع خطی برای لایه دوم انجام شده است. در ادامه بهترین ساختار شبکه با تابع تبدیل در نظر گرفته شده و براساس مدل شبکه عصبی پیشنهادی در پنج مرحله مورد آزمایش قرار گرفته است.