مروري بر سيستم ‌هاي هوشمند (شبكه‌هاي عصبي) از ديدگاه تئوري كلاسيك و كاربرد آن ‌ها در مدل‌ سازي و كنترل سيستم‌ هاي پيچيده

امروزه با پيشرفت صنعت و فناوري، شاهد پيچيده‌تر شدن روزافزون سيستم‌ها هستيم. اين پيچيدگي در صنعت، مستلزم پيشرفت موازي براي كنترل‌كننده‌ها نيز بوده است كه نيازمندي به سيستم‌هاي كنترل يا كنترل‌كننده‌هاي پيشرفته و هوشمند را چندين برابر كرده است. يكي از مهم‌ترين معيارها در طراحي هر سيستم كنترلي، شناخت دقيق سيستم يا به بيان دقيق‌تر مدل‌سازي سيستم است. با در نظر گفتن اين دو چالش، در اين مقاله به بررسي سيستم‌هاي هوشمند و به طور خاص شبكه‌هاي عصبي از ديدگاه تئوري كلاسيك و كاربرد آن‌ها در مدل‌سازي و كنترل سيستم‌هاي پيچيده پرداخته مي‌شود. در اين راستا، ابتدا عنصر اصلي شبكه‌هاي عصبي يعني نرون معرفي شده و انواع مدل آن (جمعي و شعاعي) ارائه مي‌گردد. سپس انواع شبكه‌هاي عصبي از قبيل شبكه‌هاي عصبي پرسپترون چندلايه (MLP)، شبكه‌هاي عصبي شعاعي پايه (RBF) و شبكه‌هاي عصبي بازگشتي (RNN) تشريح مي‌گردند و در مورد تعداد لايه‌ها و تعداد مناسب نرون‌هاي لايه‌هاي پنهان اين شبكه‌هاي عصبي براي كاربردهاي مختلف و به‌خصوص جهت تقريب توابع غيرخطي بحث مي‌شود. در ادامه سعي مي‌شود كه پلي بين مفاهيم و اصطلاحات شبكه‌هاي عصبي (دنياي هوشمند) و دنياي كلاسيك زد و از ديدگاه تئوري كلاسيك آن‌ها را موردبررسي قرار داد. نشان داده مي‌شود كه از ديدگاه تئوري كلاسيك، يك شبكه‌ عصبي را مي‌توان به‌عنوان يك ساختار مدل و وزن‌ها و باياس‌هاي آن را به‌عنوان پارامترهاي مجهول اين ساختار در نظر گرفت. در شبكه‌هاي عصبي، از الگوريتم‌هاي يادگيري براي تعيين پارامترهاي مجهول شبكه (وزن‌ها و باياس‌ها) استفاده مي‌شود. در اين راستا، الگوريتم‌هاي يادگيري شبكه‌هاي عصبي از ديدگاه تئوري كلاسيك و به‌طور خاص در ارتباط با بهينه‌سازي عددي موردمطالعه و بررسي قرار مي‌گيرند و يك پل ارتباطي ميان الگوريتم‌هاي يادگيري و روش‌هاي بهينه‌سازي عددي زده خواهد شد و در ادامه مهم‌ترين الگوريتم‌هاي يادگيري شبكه‌هاي عصبي به همراه مزايا و معايب آن‌ها معرفي مي‌شوند. در پايان نيز به دو مورد از كاربردهاي مهم شبكه‌هاي عصبي، مدل‌سازي و كنترل، پرداخته مي‌شود و براي هر يك از كاربردهاي مذكور، مثال‌هاي مختلفي ارائه مي‌گردد تا كارايي شبكه‌هاي عصبي به ‌وضوح مشاهده شود.