ارائۀ روشي براي مدل‌سازي سيستم با مجموعه دادۀ كوچك به كمك شبكۀ عصبي به‌منظور بهينه‌سازي آن

Modeling for system optimization with small dataset by neural network

كمبود داده از مهم‌ترين مشكلات در مدل‌سازي و بهينه‌سازي سيستم‌هاي واقعي در كاربردهاي صنعتي است. روش‌هاي معمول مدل‌سازي، با داشتن مجموعه دادة اندك از يك سيستم، توانمندي لازم را براي مدل‌كردن آن ندارند. در اين مقاله روشي براي مدل‌سازي اين نوع سيستم‌ها به‌منظور بهينه‌سازي ارائه‌ شده كه از دو مرحلة اصلي تشكيل شده است. در مرحلة اول به كمك شبكة عصبي، مدلي براي توليد داده‌ها ايجاد مي‌شود كه با دريافت هر خروجي دلخواه از سيستم، تعيين مي‌كند اين خروجي ناشي از اعمال چه ورودي‌اي به سيستم بوده است. در مرحلة دوم، به كمك الگوريتم ژنتيك روشي براي بهينه‌سازي مدل توليدشده ارائه مي‌شود. در اين مقاله، به كمك روش پيشنهادشده مي‌توان ورودي‌هاي منجر به توليد خروجي بهينه را يافت. بهينه‌بودن عملكرد سيستم در تابعي موسوم به تابع برازش بررسي مي‌شود. روش ارائه‌شده بر روي يك سري زماني غيرخطي متغير با زمان، به‌وسيلة معادلة رياضي مشخص، و يك مجموعه داده واقعي از صنعت كشاورزي ارزيابي شده است. تحليل نتايج آزمايش‌ها نيز با معيار ميانگين مربعات خطا صورت گرفته است. نتايج ارزيابي با اين معيار توانمندي اين روش را در مدل‌سازي و بهينه‌سازي مجموعه داده‌هاي اين مقاله نشان مي‌دهد.

The shortage of data is one of the most important problem in system modeling and optimization in applications such as industry and agriculture. In this paper, a modeling method for optimization of these systems is proposed. The proposed method has two main steps. I) designing a model to generate data by using neural network .This model determines the correspondence input of each output. Usually, state of the system can be explained by some features. These features are system parameters. II) optimization of the generated model using genetic algorithm. Optimality of the system can be explained by evaluation function. The proposed method evaluated by two experiments on an artificial time series and a real data. The experimental results show the capability of the proposed method in system modeling and optimization.