بهينه سازي همزمان عوامل تاثيرگذار بر عملكرد شبكه عصبي مصنوعي با استفاده از طرح باكس- بنكن و برنامه ريزي فازي

Simultaneous Optimization of Effective Factors on Artificial Neural Network Performance Using BoxBehnken Design and Fuzzy Programming

تنظيم مناسب پارامترها، مهمترين نقش را در عملكرد شبكه عصبي ايفا مي كند. ليكن بدليل اينكه هنوز هيچ روش مشخصي براي انجام اين كار وجود ندارد، تنظيم پارامترها همچنان مهمترين مشكل در استفاده از شبكه عصبي مصنوعي محسوب ميشود. در اين مطالعه، سه معيار به عنوان معيارهاي عملكرد شبكه عصبي مصنوعي و سه عامل كنترلي كه بيشترين تاثير را روي معيارهاي عملكرد دارند، معرفي شده اند. علاوه بر آن طرح باكس- بنكن براي طراحي آزمايشات مربوط به تنظيم پارامترها بكار برده شده است. بررسي يك فرآيند واقعي براي چنين موضوعاتي از اهميت ويژه اي برخوردار مي باشد، ليكن به منظور بررسي و پيش بيني عملكرد روش پيشنهادي، فرض شده است كه متغير خروجي فرآيند شبيه سازي شده داراي يك تابع نسبتا پيچيده اما معين با متغيرهاي ورودي مي باشد. بعد از استخراج روابط عوامل كنترلي و معيارهاي عملكرد تعيين شده مرتبط با شبكه عصبي طراحي شده، روش برنامه ريزي فازي براي يافتن بهينه ترين تركيب عوامل كنترلي جهت بهترين عملكرد شبكه عصبي مصنوعي بكار گرفته شده است. نتايج حاصل از مثال عددي بررسي شده، كارايي روش پيشنهادي را نشان ميدهد. اين رويكرد مي تواند براي تنظيم پارامترها در حل انواع مختلف مسائل با استفاده از شبكه عصبي مصنوعي استفاده شود.

Tuning parameters has the most important effect in performance of Neural Network. Main problem in using of ANN is parameter tuning because there is no definite and explicit method to select optimal parameters for the ANN parameters. In this study, three artificial neural network performance criteria and also three important factors which affect the selected criteria have been introduced. Moreover, Box-Behnken design has been applied to analyze the ANN structure parameters and its performance. The proposed approach has been implemented for a simulated process according to a complex mathematical function. After extracting relation between controllable factors and performance criteria, fuzzy programming is used for finding the optimal combination of controllable factors in order the best performance of Neural Network. Results attained from the numerical example show efficiency of the proposed method. Generally, proposed approach can be used for tuning of neural network’s parameters in other problems.