بهبود بازشناسی مقاوم الگو در شبکه‌های عصبی بازگشتی جاذب از طریق به‌کارگیری دینامیک‌های آشوب‌گونه

در این مقاله، به‌منظور ارزیابی تاثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارایه شده است. در مدل اوّل که براساس نظریه انتخاب طبیعی طراحی شده است، شبکه عصبی بازگشتی جاذب (arnn) به‌عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می‌کند. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود نورون هایی با تابع فعالیت آشوب گونه دارد. رفتار این نورون ها توسط پارامترآنها تنظیم می شود. بهبود درصد صحت عمکرد مدل اوّل در بازشناسی الگوی نوفه‌ای در سطوح نوفه بالا (بیش از 60%) به‌ترتیب 16/37%، 15/29% و 5/8% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره اشوبی - ndram و شبکه arnn، است. همچنین مدل دوم، درصد صحّت بازشناسی شبکه arnn و مدل اوّل را در بازشناسی الگوی نوفه‌‌ای در سطوح نوفه بالا (بیش از 60%) به‌ترتیب 91/13% و 41/5% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه‌ای که مشابه رفتار شبکه arnn است، درصد صحّت بازشناسی را 41/10% نسبت به این شبکه بهبود داده است.