حل معادلات انتگرال ولتراي تصادفي به روش شبكه عصبي مصنوعي فازي

Solving of stochastic Voltaire integral equations by fuzzy artificial neural network method

معادلات انتگرال ولترا به عنوان خروجي مسائل مطرح شده در علوم پايه و مهندسي كاربر ويژه در پيشبرد حل مسائل پيچيده دارند. يكي از انواع پركاربرد كه متشكل از يك فرايند تصادفي تحت حركت بروني ايجاد مي‌شود، معادلات انتگرال ولترا تصادفي است. حل اين نوع از معادلات همواره از چالش‌هاي محقيقن بوده است. از سوي ديگر با توسعه هوش مصنوعي و ارائه روش شبكه عصبي مصنوعي فازي به عنوان يك مدل الهام گرفته از فرايند تفكر و تجزيه و تحليل در مغز انسان، مدل‌هاي پيشرفته اي از الگوريتم‌هاي طراحي شده است. برخي از اين اين الگوريتم‌هاي يادگيري در شبكه عصبي مصنوعي فازي در حل معادلات اسفاده شده است . در اين مقاله با استفاده از اين روش و طراحي يك الگوريتم يادگيري به حل معادلات انتگرال از نوع ولتراي تصادفي مي‌پردازيم. روش ارائه شده در اين مقاله علاوه بر داشتن دقت بالاتر نسبت به روش‌هاي پيشين، سرعت بيشتري در حل مسئله را دارا است. اين موضوع سبب ايجاد يك سطح اطمينان قابل قبول براي محققان در زمان برخورد با اين نوع مسائل مي‌شود.

Voltaire integral equations as the output of problems in basic sciences and engineering have a special application in advancing the solution of complex problems. One of the most widely used types, which consists of a random process under external motion, is the equations of random Volta integral. Solving this type of equation has always been a challenge for researchers. On the other hand, with the development of artificial intelligence and the presentation of fuzzy artificial neural network method as a model inspired by the process of thinking and analysis in the human brain, advanced models of algorithms have been designed. Some of these learning algorithms have been used in fuzzy artificial neural networks to solve equations. In this paper, using this method and designing a learning algorithm, the random equations of random Voltaire type is investigated. The method presented in this article, in addition to being more accurate than the previous methods, posseses more speed for solving problem. This topic provides an acceptable level of confidence for researchers when dealing with such issues.