تحمل‌پذيري خطا در شبكه‌هاي عصبي MLP با استفاده از افزونگي مولفه‌هاي سه‌گانه

Fault Tolerance in the MLP Neural Networks Using

استفاده از سامانه‌ها و زيرساخت‌هاي پيچيده و بزرگ، براي انجام فعاليت‌هاي مختلف يك كشور حياتي و مهم است و رعايت مسايل پدافند غير‌عامل براي آن‌ها در شرايط بحران، كه بتوانند سرويس‌هاي خود را به‌طور كامل يا بخشي از آن را ارايه نمايند، يكي از معيارهاي ارزيابي اين‌گونه سامانه‌ها مي‌باشد. مدل‌سازي و شبيه‌سازي اين سامانه‌ها، جهت تشخيص گلوگاه‌ها مهم است. رخداد خطا با وجود تمهيدات مختلف مانند پيش‌بيني خطا، جلوگيري از خطا، پوشش خطا و تحمل‌پذيري خطا، طبيعي به نظر مي‌رسد. شبكه‌هاي عصبي مصنوعي به‌عنوان يكي از روش‌هاي مدل‌سازي و شبيه‌سازي، كاربرد‌هاي فراواني در اين خصوص براي بررسي عملكرد سامانه‌هاي پيچيده و حياتي دارند. با توجه به اين‌كه شبكه‌هاي عصبي مصنوعي بر‌ اساس الگوي شبكه‌هاي عصبي طبيعي كه به‌طور ذاتي قابليت تحمل‌پذيري خطا را دارا هستند طراحي شده‌اند، لذا بايد بتوانند از قابليت تحمل‌پذيري خطا بهره گيرند. در اين مقاله روشي براي افزايش و بهبود تحمل‌پذيري خطا در شبكه‌هاي عصبي، مبتني‌بر روش افزونگي مولفه‌هاي سه‌گانه (TMR) ارايه شده است. اين روش نشان مي‌دهد كه بر اساس اين تكنيك، تحمل‌پذيري خطا به شكل مطلوبي افزايش يافته است.

The use of complex and large systems and infrastructure is vital to carry out various activities in a country, and observance issues of passive defense in critical situations that could provide complete or partial services, is considered one of the evaluation criteria for these systems. Modeling and simulation of these systems to identify bottlenecks is important. Fault occurrance seems natural despite various provisions such as fault forecasting , fault prevention, fault coverage and fault tolerance. Artificial neural networks as a method of modeling and simulation, have many applications in monitoring complex and critical systems. Since artificial neural networks have been designed based on natural neural networks model, that possess the inherent capability of fault tolerance. Therefore, they must be able to take advantage of fault tolerance ability. This article presents a method to enhance the fault tolerance and improve neural networks based on Triple Modular Redundancy (TMR). It shows that, based on this technique, the desired fault tolerance has been favorably increased.