تحمل‌پذیری خطا در شبکه‌های عصبی mlp با استفاده از افزونگی مولفه‌های سه‌گانه

استفاده از سامانه‌ها و زیرساخت‌های پیچیده و بزرگ، برای انجام فعالیت‌های مختلف یک کشور حیاتی و مهم است و رعایت مسایل پدافند غیر‌عامل برای آن‌ها در شرایط بحران، که بتوانند سرویس‌های خود را به‌طور کامل یا بخشی از آن را ارایه نمایند، یکی از معیارهای ارزیابی این‌گونه سامانه‌ها می‌باشد. مدل‌سازی و شبیه‌سازی این سامانه‌ها، جهت تشخیص گلوگاه‌ها مهم است. رخداد خطا با وجود تمهیدات مختلف مانند پیش‌بینی خطا، جلوگیری از خطا، پوشش خطا و تحمل‌پذیری خطا، طبیعی به نظر می‌رسد. شبکه‌های عصبی مصنوعی به‌عنوان یکی از روش‌های مدل‌سازی و شبیه‌سازی، کاربرد‌های فراوانی در این خصوص برای بررسی عملکرد سامانه‌های پیچیده و حیاتی دارند. با توجه به این‌که شبکه‌های عصبی مصنوعی بر‌ اساس الگوی شبکه‌های عصبی طبیعی که به‌طور ذاتی قابلیت تحمل‌پذیری خطا را دارا هستند طراحی شده‌اند، لذا باید بتوانند از قابلیت تحمل‌پذیری خطا بهره گیرند. در این مقاله روشی برای افزایش و بهبود تحمل‌پذیری خطا در شبکه‌های عصبی، مبتنی‌بر روش افزونگی مولفه‌های سه‌گانه (tmr) ارایه شده است. این روش نشان می‌دهد که بر اساس این تکنیک، تحمل‌پذیری خطا به شکل مطلوبی افزایش یافته است.