انجام شبیه سازی مقاله مرتبط با درس نوروفازی

کاری که از ما خواسته شده اینکه با روشی که داخل مقاله هست یعنی روش FWNN و الگوریتم اموزش fbgsروی یک بنچ مارک تابع سینک دو ورودی اعمال کنیم و در نهایت نتایجمون رو با نتایج روش انفیس مقایسه کنیم  این بنچ مارکی ک گفتم توی خود کتابمون با روش انفیس شبیه سازی کرده کدشم دارم میفرستم براتون عکس از کتابم میدم  اینکه داده ها چطوری بدست اومدن به صورت تصادفی و با رابطه ایی ک میدم بهتون بدست میاد البته داخل کد شبیه سازی با روش انفیس داده ها چطوری ساخته میشن هست و استاد هم گفت تعداد داده هایی ک توی شبیه سازی انفیس هست رو با تعداد داده هایی ک برای روش FWNN میگیرید باید برابر باشه یعنی همون 121  و اینکه من میخوام کد نوشته بشه برای این شبیه سازی استادم هم یک سری ویس تکمیلی داده که  اگه خواستید براتون میفرستم و لطفا اون چیزایی ک برای مقایسه گفته لازم هست لحاظ کنید   پس لطفا ب بنچ مارک های قسمت سیمولیشن مقاله کاری نداشته باشید با همون بنچ مارکی ک گفتم کار کنید  ی نکته ایی هم ک خواستم بگم توی مقاله ما سه مدل روش FWNN وجود داره ک بسته ب نوع نمایش تابع موجک دو بعدی متفاوت میشه پس اینم درنظر بگیرد  یک پی دی اف هم براتون میفرستم همراه با کد شبیه سازی که توی این پی دی اف بخش تئوری مقاله کامل هست پس حتما بخونیدش و طبق همون روش داخل مقاله پیش برید . حالا من ی توضیح کلی بدم در مورد الگوریتم اموزش  قسمت الگوریتم اموزش که توی مقاله هست، میگه 6 دسته پارامتر ناشناخته داریم(مرکز تابع گوسی،عرض تابع گوسی، پارامتر های مقیاس تابع موجک، پارامتر های شیفت تابع موجک، وزن ها، بایاس) که توی مقاله گفته مقداردهی اولیه ی این پارامترها حتما با روش ols باشه فرمول محاسبه ی پارامترهای جدید توی مقاله هست تابع هدف رو به صورت MSE تعریف کرده که فرمول اونم هست و الگوریتمی که برای تنظیم پارامترهای جدید تو این مقاله استفاده کرده، اسمش BFGSهست که یک روش شبه نیوتنه و ماتریس هسین(مشتق مرتبه دوم تابع هدف) رو تقریب میزنه فرمول تقریب ماتریس هسین و به روز رسانی پارامتر ها و گرادیان ها توی مقاله هست توی این مقاله نرخ یادگیری متغیره و ثابت نیست وزن لایه ها متغیره و ثابت نیست بعد اخر مقاله، گفته الگوریتم BFGS به نقطه اولیه حساسه و ممکنه به جای اینکه به مینیمم سراسری همگرا بشه، به مینیمم محلی برسیم و گفته راه حلش استفاده از روش Wolf هست