Neural Networks for Identification, Prediction and Control

در سال‌های اخیر، علاقه فزاینده‌ای به استفاده از شبکه‌های عصبی برای شناسایی سیستم‌های پویا (مدل‌سازی)، پیش‌بینی و کنترل وجود داشته است. شبکه‌های عصبی سیستم‌های محاسباتی هستند که با توانایی یادگیری از مثال‌ها به جای برنامه‌ریزی به معنای متعارف مشخص می‌شوند. استفاده از آنها رفتار سیستم‌های پیچیده را قادر می‌سازد تا مدل‌سازی و پیش‌بینی شود و کنترل دقیقی از طریق آموزش، بدون اطلاعات قبلی در مورد ساختارها یا پارامترهای سیستم به دست آید. این کتاب نمونه هایی از کاربردهای شبکه های عصبی در مدل سازی، پیش بینی و کنترل را شرح می دهد. موضوعات تحت پوشش شامل شناسایی فرآیندهای خطی و غیرخطی عمومی، پیش‌بینی سطح رودخانه‌ها، قیمت‌های بازار سهام و نرخ ارز و کنترل یک کارخانه با تاخیر زمانی و یک ربات دو مفصلی است. این برنامه ها از انواع عمده شبکه های عصبی و الگوریتم های یادگیری استفاده می کنند. انواع شبکه های عصبی که به تفصیل در نظر گرفته شده اند عبارتند از: پرسپترون muhilayer (MLP)، شبکه Elman و Jordan و شبکه Group-Method-of-Data-Handling (GMDH). علاوه بر این، شبکه‌های مخچه-مدل-کنترل کننده (CMAC) و سیستم‌های منطق فازی نورومورفیک نیز ارائه شده‌اند. الگوریتم یادگیری اصلی که در برنامه های کاربردی اتخاذ شده است، الگوریتم پس انتشار استاندارد (BP) است. یادگیری Widrow-Hoff، BP پویا و یادگیری تکاملی نیز شرح داده شده است.

In recent years, there has been a growing interest in applying neural networks to dynamic systems identification (modelling), prediction and control. Neural networks are computing systems characterised by the ability to learn from examples rather than having to be programmed in a conventional sense. Their use enables the behaviour of complex systems to be modelled and predicted and accurate control to be achieved through training, without a priori information about the systems' structures or parameters. This book describes examples of applications of neural networks In modelling, prediction and control. The topics covered include identification of general linear and non-linear processes, forecasting of river levels, stock market prices and currency exchange rates, and control of a time-delayed plant and a two-joint robot. These applications employ the major types of neural networks and learning algorithms. The neural network types considered in detail are the muhilayer perceptron (MLP), the Elman and Jordan networks and the Group-Method-of-Data-Handling (GMDH) network. In addition, cerebellar-model-articulation-controller (CMAC) networks and neuromorphic fuzzy logic systems are also presented. The main learning algorithm adopted in the applications is the standard backpropagation (BP) algorithm. Widrow-Hoff learning, dynamic BP and evolutionary learning are also described.