مقالات شبکه های عصبی (بخش3) - صفحه 3 - Artificial Intelligence

**Astaraki** · ۱۲-۸-۱۳۸۸, ۰۲:۳۸ بعد از ظهر

تخمین شتاب جانبی، سرعت جانبی و زاویه رول یک خودروی سواری با مخزن cng به کمک شبکه عصبی انتشار برگشتی

**Astaraki** · ۱۲-۸-۱۳۸۸, ۰۳:۰۲ بعد از ظهر

پيش بيني نرخ سايش فولادهاي متالورژي پودر توسط شبكه هاي عصبي مصنوعي

**Astaraki** · ۱۲-۱۵-۱۳۸۸, ۰۳:۱۶ بعد از ظهر

مقايسه نتايج حاصل از شبكه هاي عصبي mlp و rbf در پيش بيني جريان هاي ساحلي

بررسی جریان های ساحلی هنگام طوفان از آن جهت دارای اهمیت وﯾﮋه می باشد که اکثر تغییرات در خطوط ساحلی و جابجایی رسوبات در این زمان رخ می دهد. در برآورد جریان های ساحلی در شرایط طوفانی به علت سختی کار در برداشت داده هاي ميداني و نیز پیچیدگی تحلیل بر روی داده های همزمان اثر موج و باد های شدید تاکنون تحقیقات چندانی صورت نگرفته و داراي ابهامات زیادی است. هدف از تحقیق حاضر مقايسه دو نوع شبکه عصبیmlp وrbf برای برآورد جریان های ساحلی در شرایط طوفانی است که از پرکاربردترین شبکه ها در مسایل تقریب توابع هستند. در اين تحقيق توانمندی های اين دو نوع شبكه عصبي در مدلسازی جریان هاي ساحلي در ساحل جواتسو- اوگاتا نشان داده شد. به گونه ای که این مدل ها توانستند نتایج معقولی در مناطق مختلف این سایت ارائه دهند. مدل های کلی ارائه شده نهایی نشان مي دهند که می توانند نواحی مختلف ساحلی را به خوبي درک کرده و نیز در تمامی حالات جواب هایی با دقت قابل قبول داشته باشند. همچنین قابلیت این شبکه ها نيز با یکدیگر مورد مقایسه قرار گرفت. با مقایسه پاسخ ها ، ارقام و روند مشابهی در دو نوع شبکه ملاحظه گردید. در نهايت مقایسه ای بین این دو نوع شبکه با مدل های رگرسیون آماری انجام گرفت که نتایج نشان دهنده میزان عملكرد بهتر این شبکه ها نسبت به مدل رگرسیونی بود.

**Astaraki** · ۱۲-۱۹-۱۳۸۸, ۱۲:۱۶ بعد از ظهر

مقايسه عملكرد شبكه هاي عصبي rbf و mlp در برآورد تبخير و تعرق گياه مرجع

تبخير و تعرق يكي از اجزاي اصلي چرخه هيدرولوژي است. اين فرايند پيچيده به عوامل متعدد اقليمي وابسته است. شبكه هاي عصبي مصنوعي در چند دهه اخير و در مطالعات صورت گرفته براي مدل سازي سيستم هاي پيچيده و غيرخطي قابليت بسيار بالايي از خود نشان داده اند. در تحقيق حاضر امكان استفاده از شبكه هاي با تابع پايه شعاعي (rbf) و شبكه هاي پرسپترون چند لايه (mlp) براي تخمين تبخير و تعرف گياه مرجع مورد مطالعه قرار گرفته است. با استفاده از سري داده هاي هواشناسي سال هاي 1330-1383 ايستگاه تبريز، ابتدا مقادير متوسط تبخير و تعرق ماهانه گياه مرجع از روش استاندارد پنمن - مونتيث (pm)، محاسبه شد. سپس با استفاده از اين مقادير به عنوان خروجي هاي هدف، شبكه هاي مختلفي با ساختار متفاوت تعريف و آموزش داده شد. در نهايت قابليت شبكه براي تخمين تبخير و تعرق با استفاده از قسمتي از داده ها كه در طراحي و يا آموزش شبكه استفاده نشده اند، مورد بررسي قرار گرفت. با بررسي هاي انجام گرفته مشخص شد كه تنها با استفاده از دو پارامتر دماي ميانگين و سرعت باد به عنوان ورودي، مي توان ميزان تبخير و تعرق گياه مرجع را با استفاده از اين دو نوع شبكه با دقت قابل قبولي rmse<0.4081) و r2>0.976 براي مجموعه صحت سنجي) تخمين زد. همچنين با مقايسه نتايج حاصل از دو شبكه مشخص شد كه شبكه هاي mlp نسبت به rbf در تخمين تبخير و تعرق گياه مرجع از دقت نسبتا بيشتري برخوردارند و تنها مزيت شبكه هاي rbf زمان كمتر مورد نياز براي آموزش است.

كليد واژه: تبخير و تعرق گياه مرجع، روش پنمن - مونتيث، شبكه هاي با تابع پايه شعاعي، شبكه هاي پرسپترون چند لايه

**Astaraki** · ۱۲-۲۸-۱۳۸۸, ۱۱:۳۱ بعد از ظهر

رله جريان زياد بر پايه شبكه مصنوعي

چكيده:
اين مقاله شرحي بر طراحي و توسعه رله جريان زياد جهتي بر پايه شبكه عصبي مصنوعي مي باشد. شبكه پس خور چند لايه را با روش الگوريتم خطاي برگشتي آموزش داده و جهت بررسي اين رله در نظر گرفته شده است. اين شبكه عصبي بر پايه اين الگوريتم بصورت off-line با استفاده از معادلات رياضي شبيه سازي شده و جهت تست جريان زياد و ولتاژ در شرايط خطا مورد ارزيابي قرار گرفته است. اين رله پيشنهادي كه بر پايه شبكه عصبي عمل مي نماييد از قابليت اطمينان، سرعت و دقت بالا برخوردار است.

واژه هاي كليدي: شبكه عصبي مصنوعي (ANN) , پس خور به جلو (feed forward) انتشار و به عقب propogation) (Back , رله جريان زياد جهتي (directional over current) , حفاظت (Protection)

**Astaraki** · ۰۱-۳-۱۳۸۹, ۱۱:۲۱ بعد از ظهر

مقايسه عملکرد شبکه mlp و شبکه rbf براي شبيه سازي سلول هاي خورشيدي

**Astaraki** · ۰۱-۳-۱۳۸۹, ۱۱:۲۶ بعد از ظهر

کاربرد شبکه هاي عصبي در شبيه سازي توابع و نگاشت هاي غيرخطي-معکوس

**Astaraki** · ۰۳-۱-۱۳۸۹, ۰۶:۴۲ قبل از ظهر

مقايسه ي كاربرد روش شبكه ي عصبي مصنوعي با وايازي خطـي و چند متغيره درنحوه ي توزيع رسوب

چکيده:
پديده ي فرسايش و انتقال رسوب يكي از پيچيده ترين مسايل هيدروديناميك (آب پويايي ) مي باشد كه در مطالعه ي طرحهاي آبي از اهميتي بسيار برخوردار است. با توجه به اين كه شبكه هاي عصبي مصنوعي از دو ويژگي اساسي يادگيري يا نگاشت پذيري بر اساس ارايه ي داده هاي تجربي (قدرت و توانايي تعميم پذيري) و ساختارپذيري موازي برخوردارند، يكي از مهم ترين روش هاي هوش مصنوعي می باشند كه در آن با الهام گيري از مغز انسان، ضمن اجراي فرآيند آموزش، اطلاعات مربوط به داده ها درون وزن هاي شبكه ذخيره مي شوند. در اين پژوهش ضمن طراحي شبكه هاي عصبي مصنوعي با روش پس انتشار خطا و تجزيه و تحليل پايداري و همگرايي فراسنج هاي اداره كننده ي سامانه هاي حلقه اي آن، عملكرد آن ها در برآورد نحوه ي توزيع رسوب مخزن سداكباتان مورد بررسي قرار گرفته و در پي آن نيز با استفاده از وايازي خطي و وايازي چند متغيره اقدام به برآورد ميزان و نحوه ي توزيع رسوب مخزن سد نامبرده شده و نتايج بدست آمده با يك ديگر مقايسه و مورد بررسي قرار گرفته اند. پس از تعيين ضرايب (r2) و(rsme) شبيه شبكه هاي عصبي مصنوعي براي بررسي و نحوه ي توزيع رسوب گذاري مخازن سدها به عنوان يكي از دقيق ترين روش ها پيشنهاد مي گردد. افزون بر آن، كاربرد وايازي خطي، به دليل ساز و كار پخش خطا در محاسبات، بر وايازي چند متغيره غيرخطي برتري دارد.

کليدواژگان:
انتقال رسوب، شبكه هاي عصبي مصنوعي، هوش مصنوعي، پس انتشار خطا، وايازي چند متغيره