سيستم استنتاج عصبي - فازي تطبيقي خودبازخورد آموزش‌يافته با الگوريتم رقابت استعماري براي پيش‌بيني سري‌هاي زماني آشوبناك

Adaptive Neuro-Fuzzy Inference System with Self-Feedback and Imperialist Competitive Learning Algorithm for Chaotic Time Series Prediction

پيش‌بيني سري‌هاي زماني، مخصوصاً سري‌هاي زماني آشوبيِ سيستم‌هاي پوياي غير‌خطي، يكي از زمينه‌هاي مهم تحقيقاتي است و كاربرد زيادي در زمينه‌هاي گوناگون دارد. از ميان روش‌هاي معرفي‌شده براي پيش‌بيني سري‌هاي زماني آشوبناك، به استفاده از شبكه‌هاي عصبي و سيستم‌هاي فازي بيشتر توجه شده است. در اين مقاله، سيستم استنتاج عصبي - فازي تطبيقيِ بهبوديافته، براي پيش‌بيني سري‌هاي زماني آشوبناك پيشنهاد شده است. با توجه به اينكه ساختار سيستم استنتاج عصبي -فازي تطبيقي براساس يك شبكه پيشرو است، بيشتر به مسائل ايستا محدود بوده است و توانايي مواجهه مؤثر با ويژگي‌هاي پويا مانند سري‌هاي زماني را ندارد. براي غلبه بر اين مشكل، در اين مقاله براي مدل‌سازي وابستگي‌هاي زماني اين سيستم، از ارتباط خود باز خورد خروجي مراحل قبلي استفاده شده است. همچنين از تركيب الگوريتم بهينه‌سازي رقابت استعماري ICA، همراه با تخمين حداقل مربعات LSE، براي آموزش سيستم عصبي - فازي و به‌روزرساني پارامترهاي آن استفاده شده است كه اين روش، مشكلات آموزشِ الگوريتم‌هايِ بر پايه گراديان را ندارد. اين روش براي پيش‌بيني و مدل‌سازي چند سري زماني غير‌خطي و آشوبناك جهان واقعي استفاده شده است. تجزيه و تحليل نتايج و مقايسه آن با كارهاي اخير، نشان‌دهندۀ عملكرد بهتر روش پيشنهادي نسبت به روش‌هاي قبلي، از نظر معيار خطاي كل پيش‌بيني براي مدل‌سازي و پيش‌بيني سري‌هاي زماني هستند.

Prediction of chaotic time series based on the phase space reconstruction theory has been applied in many research fields. In this paper, we propose an improved adaptive neuro-fuzzy inference system (ANFIS) with self-feedback and imperialist competitive learning algorithm for the application of chaotic time series prediction. Since the ANFIS is based on a feed-forward network structure, it is limited to static problems and cannot effectively cope with dynamic properties such as the time series. To surmount this trouble, we suggested an improved version of ANFIS by introducing self-feedback connections from previous outputs that model the temporal dependence. Also we suggested a new hybrid learning algorithm based on imperialist competitive algorithm (ICA) and least square estimation (LSE) to train this new ANFIS structure. This hybrid learning algorithm is free of derivation and solves the trouble of falling in local optimum in the gradient based algorithm for training the antecedent part. The proposed approach is used to model and predict the six benchmarks of chaotic time series. Analysis of the prediction results and comparisons with recent and old studies demonstrates the promising performance of the proposed approach for modeling and prediction of nonlinear and chaotic time series.