استفاده از شبکه عصبی حالات انعکاسی در طراحی کنترل‌کننده برای سیستم فیدبک خالص

شبکه‌های عصبی حالات انعکاسی به دلیل سادگی آموزش و توانایی بالا در مدل‌سازی سیستم‌های دینامیکی غیرخطی، گزینه مناسبی برای طراحی کنترل‌کننده هستند. با این حال، استفاده از مخزن با ابعاد بزرگ در این شبکه‌ها، ضمن افزایش حجم محاسبات، منجر به تولید دینامیک‌های مشابه و در نتیجه، ایجاد مقادیر ویژه نزدیک به صفر در ماتریس همبستگی حالات می‌شود. این پدیده، دقت آموزش برون‌خط را کاهش داده و باعث ناپایداری یا کندی شدید همگرایی الگوریتم آموزش برخط حداقل میانگین مربعات می‌گردد. در این مقاله، روشی نوین برای غلبه بر این چالش ارائه شده است. در روش پیشنهادی، پس از تولید حالات مخزن، سلول‌هایی که دینامیک‌های مشابهی دارند، بر اساس معیار همبستگی متقابل حذف شده و تنها «حالات منتخب» برای آموزش شبکه مورد استفاده قرار می‌گیرند. این کار نه‌تنها حجم محاسبات را به میزان قابل‌توجهی کاهش می‌دهد، بلکه با حذف مقادیر ویژه نزدیک به صفر، دقت آموزش برون‌خط را افزایش و پراکندگی طیفی ماتریس همبستگی را بهبود می‌بخشد که نتیجه آن، تسریع چشمگیر همگرایی الگوریتم آموزشی است. کارایی روش پیشنهادی در طراحی کنترل‌کننده برخط برای یک سیستم فیدبک خالص غیرخطی (سیستم cstr) مورد ارزیابی قرار گرفته است. نتایج شبیه‌سازی نشان می‌دهد که درحالی‌که شبکه مرسوم قادر به همگرایی نیست؛ روش پیشنهادی با ضریب شباهت بهینه 8/0، عملکرد کنترلی مطلوبی را در پیگیری سیگنال مرجع و همچنین مقاومت در برابر تغییر پارامترهای سیستم و اغتشاشات از خود نشان می‌دهد.