تحویل اکسپرس

تحویل فوری و سالم محصول

پرداخت مطمئن

پرداخت از طریق درگاه معتبر

ضمانت کیفیت

تضمین بالاترین کیفیت محصولات

پشتیبانی

پشتیبانی تلفنی

تحقیق در مورد شبكه هاي عصبي مغز



شناسه محصول: 598863
موجود

تحقیق در مورد شبكه هاي عصبي مغز

برای مشاهده ضمانت خرید روی آن کلیک نمایید

قیمت : 11000تومان

برچسب ها :

تحقیق در مورد شبكه هاي عصبي مغز

تحقیق در مورد شبكه هاي عصبي مغز

تحقیق در مورد شبكه هاي عصبي مغز

فرمت فایل:WORD(قاببل ویرایش)تعدا34 صحفه

 

 

 

 

 

آيا تا به حال فكر كرده‌ايد كه ما چگونه مطلبي را مي‌آموزيم؟ چقدر و با چه سرعتي ياد مي‌گيريم؟ مغز ما چگونه مي‌تواند يك مسأله را حل كند؟ آيا تا به حال به نحوه‌ي عملكرد مغز فكر كرده‌ايد؟

عملكرد دقيق مغز هنوز كشف نشده است و برخي جنبه‌هاي آن براي انسان شناخته شده نيستند. ولي براي ما روشن شده است كه بافت‌هاي عصبي از تعداد زيادي سلول به نام نرون تشكيل شده‌اند، كه به يكديگر متصل هستند. زماني كه اين نرون‌ها به يكديگر وصل مي‌شوند، تشكيل شبكه‌ي عصبي مغز را مي‌دهند. شبكه يعني واحدي كه تمام اجزاي آن با هم در ارتباط باشند.(مثل شبكه‌هاي كامپيوتري).

آيا مي‌دانيدكه مي‌توانيم با توجه به نحوه‌ي عملكرد شبكه‌ي مغز، شبكه‌هاي مصنوعي مغز را در دنياي واقعي طراحي كنيم و با استفاده از آن بسياري از مسائل را حل كنيم؟

 

برايتان عجيب نيست كه در اين شبكه‌هاي مصنوعي از رياضي هم استفاده مي‌شود؟
شايد بپرسيد ساختن شبكه‌هاي مصنوعي از روي شبكه‌ي واقعي مغز چه كمكي به ما مي‌كند؟ و چه كاربردهايي در زندگي انسان‌ها دارد؟

براي روشن شدن اهميت شبكه‌هاي عصبي در اين جا به چند نمونه از كاربردهاي شبكه‌هاي مصنوعي در زندگي انسان مي‌پردازيم: رديابي سرطان، تجزيه‌ي بنزين، پيش‌بيني صاعقه، تشخيص تقلب در كارت اعتباري، تشخيص تصاوير واقعي، پردازش مكالمات تلفني، كنترل ترافيك،تشخيص بيماري، تعيين اعتبار امضاي اشخاص، سيستم‌هاي رادار، مين‌گذاري و ... .

حالا كه با اهميت شبكه‌هاي مصنوعي،بيش تر آشنا شديد، شما را با اصولي كه به وسيله‌ي آن‌ها بتوان شبكه‌هاي عصبي را با روابط رياضي تشريح كرد، آشنا مي‌كنيم.اين اصول از طبيعت واقعي و زيستي مغز و نرون‌ها گرفته شده است.

ابتدا ساختار نرون را بررسي مي‌كنيم. يك نرون داراي چندين قسمت است كه هر قسمت وظيفه‌ي خاصي را بر عهده دارد. به طور مثال يك قسمت كار ورود اطلاعات، قسمت ديگر كار تركيب اطلاعات و يك قسمت هم‌كار خروج اطلاعات و انتقال آن‌ به نرون ديگر را انجام مي‌دهد.

يك نرون n ورودي دارد كه آن‌ها را با ها نشان مي دهيم. (j بين 1 تا n تغيير مي كند) در ساختار واقعي نرون در مغز، قبل از ورود اطلاعات به نرون، قسمتي از نرون به نام سيناپس روي اطلاعات تأثير مي‌گذارد كه براي معادل سازي آن در رياضي، قبل از ورود اطلاعات به نرون، ورودي ها:ها را در توابع وزن: ها ضرب مي‌كنيم . بعد از ورود اطلاعات به نرون و تركيب نتايج(براي تركيب نتايج ،معمولا" از عملگر جمع معمولي استفاده مي شود.)،نرون براي تعيين خروجي خود، از يك تابع f كمك مي‌گيرد و خروجي را با O نشان مي دهيم:.

اين تابع f مي‌‌تواند انواع گوناگون داشته باشد و بر اساس نوع خروجي و خواسته‌ي ما تغيير كند. در هر حال مي بايست تابع f بين دو مقدار محدود باشد. به طور مثال در استفاده از شبكه‌هاي عصبي براي كنترل حركت بازوي يك روبات اگر f محدود نباشد، ممكن است بازوي روبات در اثر يك حركت سريع به خود و يا محيط اطراف آسيب بزند. در چنين مواقعي از توابعي مانند توابع زير استفاده مي‌شود:

 


پس اگر ورودي ما بسيار بزرگ و يا بسيار كوچك‌ باشد، خروجي از حد معين تجاوز نمي‌كند و البته اين در ساختار نرون طبيعي هم موجود است. مدل تقريبي يك نرون در شكل زير آمده است:

 

حال اگر تعدادي از اين نرون‌ها را به يكديگر وصل كنيم و تشكيل يك شبكه بدهيم، يعني اگر به جاي يك نرون، m تا نرون داشته باشيم كه به يكديگر وصل شده‌اند و ورودي ها را با  ، توابع‌ وزن را با ، خروجي‌ها را با و تابع‌ها را با نشان ‌دهيم آن گاه خروجي هاي اين شبكه‌ي عصبي با استفاده از رابطه هاي زير بيان مي شوند: . (i بين 1 تا m و j بين 1 تا n تغيير مي كنند.)
اما يك نكته‌ باقي مي‌ماند
 ، اين كه در مغز، وقتي كه يك نرون بالاتر از يك حد معين (آستانه‌ي آن نرون:) تحريك شود، نرون برانگيخته مي‌شود به طوري كه مي‌تواند يك سيگنال الكتريكي را در طول يك مسير هدايت كند تا بتواند آن را به نرون‌هاي ديگر انتقال دهد. در اين موقع اصطلاحاً مي‌گوييم كه نرون آتش مي گيرد. بنابراين در يك شبكه براي اين كه يك نرون بتواند اطلاعات را به نرون‌هاي ديگر منتقل كند، بايد آتش بگيرد. براي لحاظ كردن اين شرط در مدل رياضي، رابطه‌ي زير را مي آوريم: .

بنابراين فرمول‌بندي رياضي شبكه‌ي عصبي فوق به صورت زير نوشته مي‌شود:

 

به شرطي كه:  .(در اين شبكه، آستانه ي نرون ها را باها نشان مي‌دهيم.)
البته اين فرمول‌بندي به صورت گسترده‌تر بيان شده است كه از حد اين مقاله فراتر است.

  منابع:

1)Understanding Neural Networks and Fuzzy Logic ,S.V.Kartalopoulos
Translators:M.Joorabian & R.Hooshmand

2)http://shabakeh-mag.com

 

 

 

 

 

 

 

 

شبکه عصبی چیست؟

 

شبکه های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی میشود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد.

 انسانها از زمانهای بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند چون همواره مسئله هوشمندی انسان و قابلیت یادگیری ،تعمیم،خلاقیت،انعطاف پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود.روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی باشند در نتیجه می بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند ; همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد. تاریخچه:

تاریخچه پیدایش ANN را می توان به مراحل زیر تقسیم کرد:

  1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والترپیتز انجام شد که امروز بلوک اصلی سازنده ی اکثر شبکه های عصبی مصنوعی است .این مدل فرضیه هایی در مورد عملکرد نرونها ارائه می کند .عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می شود.نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود .
  2. نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه های عصبی تأثیر داشتند. در 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید.این شبکه نظیر واحدهای مدل شده ی قبلی بود پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد است. این سیستم میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند . سیستم دیگر مدل خطی تطبیقی نرون یا Adalaline (Adaptive linear element ) می باشد که در 1960 توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده اند. Adalalineیک دستگاه الکترونیکی بود که از اجزای ساده ای تشکیل شده بود روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.
  3. در 1969 مینسکی و پاپرت کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه های عصبی بود آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
  4. با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند . از جمله گراسبرگ که شبکه ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد همچنین او با همکاری کارپنتر شبکه های ( Adaptive resonance theory ) ART را بنا نهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند.ورباس در 1974 شیوه آموزش پس انتشار خطا یا Back Propagation را ایجاد کرد که یک شبکه پرسپترون چند لایه بود البته با قوانین نیرومندتر آموزشی.آماری در 1967 مقاله ای در زمینه تئوری ریاضی یادگیری در ارتباط با کلاسبندی الگوهای تطبیقی ارائه داد در حالیکه فوکوشیما شیوه تفسیر کاراکترهای دستنوشته ها با استفاده از ANN چند لایه و به صورت تدریجی را ایجاد نمود .
  5. پیشرفتهایی که در 1970 تا 1980 بدست آمد برای جلب توجه به شبکه های عصبی بسیار مهم بود.برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته های متنوع ارائه شد.امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده.

منبع:http://expertsystems.blogfa.com/cat-3.aspx

 

 

 

 

 

 

 

 

 

 

 

 

 

کاربرد شبکه های عصبی در پِیش بینی جریان رودخانه در حوزه معرف کارده

   سازمان مجري: دانشگاه فردوسی مشهد

  پژوهشگران : دکتر  محمد باقرشریفی مهندس صالحی

 

  زمان انتشار :  بهار 84

1- مقدمه

 

   با توجه به اهميت و حساسيت امر مهار آب‌هاي سطحي خصوصاً در كشور ما كه اكثر رودخانه‌هاي مناطق مختلف فصلي بوده و كمبود آبي كه در پهنه وسيعي از كشور وجود دارد ، نياز به شناسايي و به مدل در‌آوردن رفتار رودها و شريان‌هاي آبي جهت برنامه‌ريزي‌هاي بلندمدت و استفاده بيشتر و بهتر از پتانسيل‌هاي آنها عميقاً احساس مي‌شود . جديدالتاسيس بودن بيشتر ايستگاه‌هاي هيدرومتري ، نواقص موجود در آمار اكثر اين  ايستگاه‌ها ، قرارگرفتن بيشتر رودها در مناطق خشك ، وضعيت بحراني برداشت آب‌هاي زيرزميني و لزوم توجه بيشتر به آب‌هاي سطحي همه‌ و همه دلايل بيشتر و ظريف‌تري مي‌باشد كه به مقوله پيش‌بيني و توليد آمار مصنوعي‌ در حوزه‌هاي آبريز كشورمان جلوه و نمودي كامل‌تر مي‌بخشد .

 

به طور اخص به پيش‌بيني سري‌هاي زماني مي‌پردازد ، از ديرباز مورد توجه مهندسين علوم آب قرار گرفته است . آنها با دست‌مايه قراردادن اين بخش از علم آمار به تحليل ، بررسي و شناخت رفتار رودخانه‌ها مي‌پرداختند . در اين راستا نرم‌افزارهاي مختلفي نيز تهيه وتنظيم شده كه از مهم‌ترين و بارزترين آن‌ها مي‌توان SPIGOT و HEC4 را نام برد .  

 

  شبكه عصبي مصنوعي1 نامي نوين در علوم مهندسي است كه به‌طور ابتدايي و آغازين درسال 1962 توسط فرانك روزن بلات و در شكل جدي و تأثيرگذار در سال 1986 توسط رومل‌هارت و مك‌كلند با ابداع و ارائه مدل پرسپترون بهبود يافته به جهان معرفي شد . اين شيوه از ساختاري نروني و هوشمند با الگوبرداري مناسب از نرون‌هاي موجود در مغز انسان سعي مي‌كند تا از طريق توابع تعريف شده رياضي رفتار درون‌سلولي نرون‌هاي مغز را شبيه‌سازي كند و از طريق وزن‌هاي محاسباتي موجود در خطوط ارتباطي نرون‌هاي مصنوعي ، عملكرد سيناپسي را در نرون‌هاي طبيعي به مدل در آورد. ماهيت و ذات تجربي و منعطف اين روش باعث مي‌شود تا در مسائلي مانند مقوله پيش بينی كه يك چنين نگرشي در ساختار آن‌ها مشاهده مي‌شود و از رفتاري غيرخطي و لجام‌گسيخته برخوردار هستند ، به خوبي قابل استفاده باشد . 

2- شبکه های عصبی مصنوعی

2-1- مفاهيم پايه در شبکه های عصبی مصنوعی

 يك نرون بيولوژيك با جمع ورودي‌هاي خود كه از طريق دندريت‌ها با يك وزن سيناپسي خاص به نرون اعمال مي‌شوند ، با رسيدن به يك حد معين توليد خروجي مي‌كند . اين حد معين كه همان حد آستانه مي‌باشد ، در حقيقت عامل فعاليت نرون يا غير فعال بودن آن است .

با توضيحات فوق مي‌توان گفت كه در مدل‌سازي يك نرون بيولوژيك به طور مصنوعي مي‌بايست به سه عامل توجه شود :

نرون يا فعال است يا غير فعال

خروجي تنها به ورودي‌هاي نرون بستگي دارد

ورودي‌ها بايد به حدي برسند تا خروجي ايجاد گردد]1[.

 2-2- شبكه عصبي پرسپترون2 ساده

فرانك روزن بلات ، با اتصال اين نرون‌ها به طريقي ساده پرسپترون را ايجاد و ابداع كرد ، و براي نخستين بار اين مدل را در كامپيوترهاي ديجيتال شبيه‌سازي و آن‌ها را به طور رسمي تحليل نمود

3- شبكه عصبي پرسپترون چند لايه ) MLP ( 3

در بسياري از مسائل پيچيدة رياضي كه به حل معادلات بغرنج غير خطي منجر مي‌شود ، يك شبكة پرسپترون چند لايه مي‌تواند به سادگي با تعريف اوزان و توابع مناسب مورد استفاده قرارگيرد . توابع فعاليت مختلفي به فراخور اسلوب مسئله در نرون ها مورد استفاده قرار مي‌گيرد . در اين نوع شبكه‌ها از يك لاية ورودي جهت اعمال ورودي‌هاي مسئله يك لاية پنهان و يك لاية خروجي كه نهايتاً پاسخ‌هاي مسئله را ارائه مي‌نمايند ، استفاده مي‌شود.                                

گره‌هايي كه در لاية ورودي هستند ، نرون‌هاي حسي4 و گره‌هاي لاية خروجي ، نرون‌هاي پاسخ ‌دهنده5 هستند . در لاية پنهان نيز ، نرون‌هاي پنهان6 وجود دارند]2[.

آموزش اين‌گونه شبكه‌ها معمولاً با روش پس انتشار خطا7 انجام مي‌شود . نمونه‌اي از يك شبكه پرسپترون چند لايه در زير نمايش داده شده است . شكل (1).

شكل 1- ساختار پرسپترون چندلايه با نرون‌هاي پنهان tansigو نرون‌هاي خروجي با تابع خطي]3[.

 شبكه‌هاي پرسپترون چند لايه مي‌توانند با هر تعداد لايه ساخته و به كار گرفته شوند ، ولي قضيه‌اي كه ما در اين‌جا بدون اثبات مي پذيريم بيان مي‌كند كه يك شبكه پرسپترون سه لايه قادر است هر نوع فضايي را تفكيك كند . اين قضيه كه قضية كولموگوروف8 ناميده مي‌شود ، بيانگر مفهوم بسيار مهمي است كه مي‌توان در ساخت شبكه‌هاي عصبي از آن استفاده كرد نوع خاصي از شبكه‌هاي عصبي چند لايه به نام پرسپترون تك لايه ) SLP (9مي‌باشد . اين شبكه از يك لاية ورودي و يك لاية خروجي تشكيل شده است . 

 

 

3- شرح تحقيق

3-1- مقدمه

با توجه به حساسيت بالاي شبكه‌‌هاي عصبي به نوع اطلاعات مورد استفاده و همبستگي ورودي‌هاي شبكه با يكديگر و متعاقب آن با خروجي‌‌هاي مربوطه جداي از بحث نوع شبكه و كاربرد آن به عنوان ابزاري جهت توليد جريان مصنوعي مي‌‌‌‌بايست ديد و نگرشي درست و صحيح نسبت به اطلاعات در دسترس و چگونگي سازماندهي ‌‌آن‌‌‌‌ها براي آموزش و استفاده از شبكه داشته باشيم . هر نوعي از اطلاعات با بازه‌‌هاي زماني مختلف لزوماً ما را به سمت هدف مطلوب هدايت نمي‌‌‌كند . در مسائل هيدرولوژيك با توجه به طرح مسئله و اهدافي كه از ايجاد شبكه خواهيم داشت نوع آمار از حيث دقت زماني ( روزانه ، هفتگي ، ماهيانه )متفاوت مي‌‌باشد . اين فاكتور يكي از عوامل مهم و قابل بحث در كاربرد شبكه‌‌هاي عصبي به منظور طرح‌هاي مديريتي در حوزة منابع آب خواهد بود . علاوه بر آن همبستگي و تاًثير متقابل ايستگاه‌هاي ثبت آمار بر يكديگر را نيز مي‌توان به عنوان عامل مهم ديگري در اين مبحث معرفي و ارزيابي كرد .

در اين قسمت سعي شده در دو بخش مجزا، در دو حوزه آبريز متفاوت، يك‌بار با آمار ماهيانه و يك‌بار با آمار روزانه به توليد جريان مصنوعي با به‌كارگيري شبكه عصبي پرداخته شود واز اين طريق با ارزيابي پاسخ‌‌هاي كسب شده از شبكه علاوه بر توليد جريان مصنوعي نوع آمار به كاررفته و تاًثير آن بر شبيه‌سازي جريان مصنوعي نيز بررسي گردد.

3-2- استفاده از داده‌هاي ماهيانه

يك دوره 45 ساله از سال 1330تا 1374  از رودخانه‌هاي كشف‌رود (ايستگاه آق‌دربند ) و هريرود    (ايستگاه پل‌خاتون ) در دسترس مي‌‌باشد كه جهت توليد جريان مصنوعي ، با توجه به شكل و نوع شبكه مورد استفاده، به كار گرفته خواهد شد]4[.

شبكه به كار گرفته شده يك شبكه پرسپترون چندلايهMLP)) است كه به صورت پيش‌خور10عمل مي‌كند و در سه لايه ( يك لايه ورودي ، يك لايه مياني و يك لايه خروجي ) طراحی شده است . تعداد نرون‌هاي لايه ورودي سه نرون مي‌باشد كه متعاقب آن‌‌ها سه ورودي به شبكه القاء خواهد شد و خروجي شامل يك نرون است كه همان جريان مصنوعي توليد شده در ماه مي‌‌باشد در لايه مياني نيز ، نُه نرون وجود دارد . نرون‌هاي لايه مياني از توابع تبديل تانژانت سيگموئيد و نرون های لايه خروجی از توابع تبديل خطی به منظور تابع فعاليت استفاده مي کنند و متد آموزش شبکه پس انتشار خطا مي باشد .

ساختار شبکه بدين گونه است که و و به عنوان ورودی به شبکه القاء می شوند و شبکه نهايتا را نتيجه خواهد داد .

جريان ماهيانه در كشف‌رود در ماه= و جريان ماهيانه در هريرود در ماه= و جريان ماهيانه در هريرود در ماه= و جريان ماهيانه در كشف‌رود در ماه = مي باشند .

 

براي آموزش شبكه از آمار ماهيانة سال‌هاي 1330 تا  1365 ايستگاه‌هاي كشف‌رود و هريرود به مدت 36 سال استفاده شده است . اين آمار با توجه به دسته‌بندي گفته شده 431 دسته ورودي ايجاد مي كنندكه نهايتاً شبكه با توجه به حالات مختلف ورودي‌ها و 431 خروجي متناظر با هر دسته از آن‌ها وزن‌هاي مرتبط بين نرون‌ها را شناسايي و تثبيت مي‌كند . روند نزول كميت ميانگين مربع خطا ) (MSE پس از500 سيكل آموزش بر روی عدد 953/23 ثابت مي شود که چندان عدد مطلوبي نيست كه اين شبكه  نتايج مورد انتظار ما را فراهم نياورد .

مهم‌ترين مرحله در كار با سيستم هوشمند عصبي ،تست شبکه مي باشد در اين قسمت هشت سال اطلاعات ماهيانه رودخانه كشف‌رود شبيه‌سازي شده و با آمار واقعي مقايسه مي‌گردد و از اين طريق كفايت شبكه براي توليد جريان مصنوعي تاييد يا نقض مي‌شود .

 با بررسی نتايج حاصله مي‌بينيم كه پارامتر همبستگي مطلوبي از تست شبكه حاصل نمي‌گرددو رابطه رگرسيون بين نتايج شبكه و مقادير واقعي ماهيانه رودخانه كشف‌رود بيانگر عدم انطباق مناسب نتايج شبكه با مقادير واقعي مي باشد]5[.   A=0.453T+4.22  و  R=0.554   

 

 

3-3- استفاده از داده‌هاي روزانه

حوزة آبريز معرف كارده ، سرشاخة رود كارده و در محدودة شهرستان مشهد مي‌باشد . اين حوزه ، معرف حوزه‌هاي آبريز شمال خراسان به شمار مي‌رود . رودخانة كارده زهكش اصلي اين حوزه را تشكيل مي‌دهد كه از شمال به جنوب جريان دارد حوزة معرف كارده داراي دو ايستگاه هيدرومتري جُنگ و کارده مي‌باشد كه ميزان آب در داخل حوزه و خروجي حوزه را اندازه‌گيري مي‌كنند]6[.

براي استفاده از داده‌هاي روزانه ازيك شبكه پروسپترون چند لايه ) MLP (  استفاده شده است كه رفتار آن به شكل پيش‌خور مي‌باشد . اين شبكه از سه لايه ; ورودي ، مياني و خروجي تشكيل شده است . در لايه ورودي با توجه به تعداد ورودي‌ها كه پنج عدد مي‌باشد ، پنج نرون نيز خواهيم داشت در تنها لايه مياني نُه نرون وجود دارد . توابع تبديل اين نرون‌ها تانژانت سيگموئيد است  و نهايتاً تنها خروجي شبكه جريان روزانه رودخانه مي‌باشد كه متناظر با آن يك نرون خروجي خواهيم داشت كه تابع تبديل آن نيز يك تابع تبديل خطي است نحوه آموزش شبكه متد پس‌انتشار خطا مي‌‌باشد . لازم به ذكر است كه اين روش ‌آموزشي نيز در الگوريتم‌ها و فرم‌هاي متعددي ارائه شده است . از بهترين و مؤثرترين روش‌ها كه در بستة نرم‌افزاري  MATLAB  نيز موجود مي‌باشد ، روش  Marquardt - Levenberg  است كه به اختصار در محيط  MATLAB   به نام  Lm  شناخته مي‌شود و به شدت سرعت همگرايي را افزايش مي‌دهد و به نتيجه‌گيري سرعت مي‌بخشد .

 همان‌گونه كه ذكر شد ،  شبكه مورد نظر از پنج نرون ورودي تشكيل شده است كه به صورت زير مي‌باشد : 

جريان روزانه در ايستگاه A در روز= ,جريان روزانه در ايستگاه A در روز=,جريان روزانه در ايستگاه A در روز=,جريان روزانه در ايستگاه B در روز =و جريان روزانه در ايستگاهB در روز=

خروجي شبكه نيز جريان روزانه در ايستگاه  A  مي‌باشد :

جريان روزانه در ايستگاه  A  در روز     =   

 هر كدام از رودخانه‌هاي كارده و جنگ به ترتيب به جاي  A و B  در تركيب بالا قرار مي‌گيرند. به عبارتي در دو شبكة مجزا ، يك‌بار جريان در ايستگاه كارده و يك‌بار جريان در ايستگاه جنگ شبيه‌سازي و توليد مي‌گردد . براي آموزش شبكه از آمار روزانه سال‌هاي 1372 و 1373 ايستگاه‌هاي كارده و جنگ به مدت دو سال استفاده شده است . با توجه به فرم اطلاعات ورودي تعداد 727 دسته ورودي ايجاد مي‌شود كه متناظر با هر دسته يك خروجي نيز ايجاد خواهد شد كه نهايتاً 727 خروجي نيز خواهيم داشت . با تنظيم و تطبيق شبكه با اين تعداد ورودي و خروجي در نهايت شبكه هوشمند شده و بهترين وزن‌ها را براي خطوط ارتباطي خود شناسايي و تثبيت خواهدكرد .

در هر كدام از شبكه‌ها جهت همگرايي بهتر و رسيدن به حداقل خطا، آموزش در 400 سيكل انجام شده است روند نزول كميت ميانگين ‌مربع خطا MSE درشبكه مربوط به كارده در عدد 00545/0 و در شبكه مربوط به جنگ در عدد 0026/0 تقريباً ثابت مي‌شود كه با توجه به ميزان MSE ها مي‌توان نتايج را رضايت‌بخش دانست .

همان‌گونه كه ذكر شد ، مهم‌ترين قسمت در كار با شبكه‌هاي عصبي ، مرحله تست يا آزمايش شبكه است كه در واقع دراين مرحله عملكرد شبكه مشخص مي‌شود . براي اين قسمت ،  از اطلاعات دوسال 73 و 74 استفاده شده است و به كمك اين اطلاعات دو شبكه مورد بحث براي ايستگاه كارده و جنگ به آزمون گذاشته مي‌شوند . پارامتر همبستگي و رابطه رگرسيون بين نتايج شبكه و مقادير واقعي درايستگاه كارده براي اطلاعات آزمايشي نمايانگر عملكرد مطلوب شبكه مي باشد .    A=0.83T+0.09  و  R=0.82

در مورد شبکه عصبي جنگ نيز نتايج قابل قبولي بدست مي آيد . A=0.803T+0.068         و  R=0.867

 

       از آن‌جا كه در بحث پيش‌بيني جريان رودخانه به منظور مديريت منابع آب ، بيشتر با آمار ماهيانه برخورد خواهيم داشت ، ( قبلاً ديده‌ايم كه نرم‌افزارهاي توليدجريان مصنوعي نظير HEC4و SPIGOT نيز ، جريان ماهيانه را شبيه‌سازي مي‌كنند . ) نتايج روزانه بدست آمده را ميانگين‌گيري كرده و تبديل به آمار ماهيانه مي‌كنيم و متعاقب آن سري باقيمانده ها را نيز بصورت ماهيانه محاسبه کرده و بررسي مينماييم.

 

       انتظار داريم كه در صورت حصول يك شبكه مناسب و مطمئن ميانگين باقي‌مانده‌ها صفر باشد و توزيع آن‌ها يك توزيع نرمال باشد . همچنين استقلال باقي‌مانده‌‌ها نيز از شرايط مهمي است كه در يك شبيه‌سازي مطلوب مي‌بايست به آن دست يابيم .

 

     ادعاي صفر بودن ميانگين ماند‌‌ه‌ها را مي‌توانيم به وسيله آزمون فرضيه بررسي كنيم . بدين منظور ، براي ايستگاه جنگ خواهيم داشت :

 

 

       با توجه به اينكه سال 73 و 74 شبيه‌سازي شده است لذا يك نمونه 24 تايي از مانده‌‌ها در دست داريم . به عبارتي   همچنين مقدار جامعه نيز معلوم نمي‌باشد . بنابراين مي‌توان براي آزمون فرضيه از توزيع  t  استيودنت استفاده كرد]7[. آماره آزمون   مي‌باشد. در ايستگاه جنگ با توجه به اين كه   است و   خواهيم داشت :

 

    ( آماره آزمون)

 

با استفاده از جدول توزيع  t . Distribution  براي  23 = 1- n  درجه آزادي و در سطح اعتماد مقدار حاصل مي‌شود.

 

       با توجه به اين‌‌كه مي‌توان نتيجه گرفت كه در سطح اعتماد ، فرض مبني بر اين‌‌كه ميانگين مانده‌‌‌ها در ايستگاه جنگ صفر مي‌باشد ، رد نمي‌شود .

 

در مورد ايستگاه كارده نيز ، بدون توضيحات تكراري آزمون نتايج مشابهي حاصل مي نمايد .

 

       يكي از روش‌ها و آزمون‌هاي متداول كه به منظور كنترل نرمال بودن داده‌ها بر روي آن‌ها صورت مي‌گيرد ، آزمون چولگي است . دراين آزمون ابتدا مقدار چولگي باقي‌مانده‌‌‌‌ها با رابطه زير تعيين مي‌گردد :

 

 

سپس در سطح احتمال   و محدودة اگر رابطه برقرار باشد ، مي‌توان گفت كه توزيع تقريباً نرمال است]8[. با انجام اين آزمون نيز مشخص مي شود که سري باقيمانده ها در هر دو ايستگاه تقريباٌ از توزيع نرمال پيروي مي کند .تست كلموگروف . اسميرنوف نيز بر روي مانده‌ها به نتايجي مشابه در رابطه با نرمال بودن آنها منجر مي شود .

 

    استقلال باقي‌مانده‌ها شرط مهم ديگري است كه مي‌بايست از بوتة آزمايش گذرانده شود تا از اين طريق كفايت شبكه عصبي در يك شبيه‌سازي موفق ، بيشتر و بهتر نمود پيدا كند .

 

       روش‌هاي مختلفي وجود دارد تا از اين طريق استقلال مانده‌ها كنترل گردد . مهم‌ترين و معتبرترين آن محاسبه تابع خود همبستگي وتابع خود همبستگي جزئي براي داده‌ها مي‌باشد . اين كميت‌‌ها را مي‌توان براي تاًخيرهاي متفاوت محاسبه و ارائه كرد . براي تاًخير‌هاي از يک تا هفت اين توابع براي سري باقيمانده ها در هر دو ايستگاه تعيين شد که براي تمام تاًخير‌ها اين مقادير در سطح معني دار صفر قرار گرفت که بيانگر استقلال مانده ها مي باشد ]5[. 

 

 

4- توليد جريان مصنوعي توسط HEC4  

 

     HEC4 يكي از قديمي‌ترين و در عين حال پايه‌اي‌ترين نرم‌افزارهاي توليد جريان مصنوعي در رودخانه‌ها مي‌باشد]9[.

 

      لذا در اين قسمت به توليد جريان مصنوعي توسط اين نرم‌افزار پرداخته شده است تا از اين طريق و با مقايسه نتايج اجراي HEC4 با شبكه عصبي و همچنين با جريان واقعي عملكرد شبكه عصبي بهتر و روشن‌تر جلوه نمايد.

 

       براي اجراي  HEC4  و به كارگيري آن ، فايل ورودي برنامه در يك بازة زماني 9 ساله از سال 1371 تا 1379 نوشته مي شود و از برنامه خواسته مي‌شود تا در ده سناريوي مختلف به توليد جريان مصنوعي در بازه‌هاي زماني 9 ساله بپردازد . البته ملاك عمل و بازه مورد بحث در اين‌جا همان سال 73 و 74 مي‌باشد كه پس از توليد جريان توسط HEC4  اين قسمت به صورت ماهيانه با جريان مصنوعي ساخته شده توسط شبكه عصبي ، مقايسه خواهد شد .

 

       در اشكال (2)و(3) سري‌هاي توليد شده بوسيله HEC4 ، شبكه عصبي و همچنين جريان واقعي در دو ايستگاه كارده و جنگ جهت مقايسه بهتر در يك نمودار نمايش داده شده است. به خوبي مي‌بينيم كه برازش و انطباق شبكه عصبي با داده‌هاي واقعي بسيار بهتر و نزديك‌تر است و فراز و فرودهاي موجود در سناريوي تاريخي ايستگاه‌ها به‌خوبي توسط شبكه شبيه سازي شده است و اوزان و توابع و نرون‌هاي شبكه متفقاً در يك سيستم موازي ، رفتار تصادفي ايستگاه‌ها را بسيار خوب فرا گرفته‌اند ]5[. 

 

 

شكل 2- نمودار جريان واقعي و شبيه‌سازي‌شده توسط HEC4 و شبكه‌عصبي در كارده

 

 

 

شكل 3- نمودار جريان واقعي و شبيه‌سازي‌شده توسط HEC4 و شبكه‌عصبي در جنگ

 

 

5- نتيجه‌گيري  

 

       با بررسي نتايج حاصله از مطالعه موردي كه در اين تحقيق انجام گرفت مي‌توان نتايج اين شبيه‌سازي را به صورت زير خلاصه كرد :

 

در كار با داده‌هاي ماهيانه در مطالعه‌اي كه درحوزة كشف‌رود و هريرود صورت گرفت  شبكه عصبي ماهيانه عملكرد موفقي از خود نشان نداد و مي‌توان اين‌گونه ابراز كرد كه بازة زماني ماهيانه براي شبيه‌سازي جريان رودخانه‌ها توسط شبكه عصبي يك محدودة زماني نسبتاً بزرگ است كه شبكه عصبي نمي‌تواند در يك چنين فواصل زماني اطلاعات را به خوبي فرا گيرد و با يك چنين اطلاعاتي نتايج نسبتاً ضعيفي از خود ارائه مي‌نمايد .

در عملكرد شبكه عصبي با داده‌هاي روزانه خواص جريان در دو ايستگاه ، همبستگي‌ها و . . . به خوبي حفظ شده و نتايح بسيار مطلوبي حاصل شده است كه به صورت گرافيكي نيز در پايان مقاله   ارائه شده است .

شبكه عصبي در حفظ خواص ماهيانه و ساليانه ( توأماً ) بسيار خوب و توانا عمل مي‌كند.

ديده مي‌شود كه در خواصي همچون همبستگي مكاني و همبستگي با گام يك در فصل تابستان مقداري نتايج حاصله از شبكه عصبي به نسبت ديگر فصول سال ضعيف‌تر است . اين مسئله هم در ايستگاه جُنگ و هم در ايستگاه كارده مشاهده مي‌شود .

با مقايسه نتايج حاصل از شبيه‌سازي توسط HEC4 و همچنين شبكه عصبي ديده مي‌شود كه شبكه عصبي بسيار بهتر و دقيق‌تر به توليد جريان مصنوعي پرداخته و عملكردي به مراتب بهتر از خود نشان داده است .

 

 

6- سپاسگزاري

 

از حمايت هاي همه جانبه كميته تحقيقات شركت سهامي آب منطقه‌اي خراسان که بدون آن انجام اين تحقيق امکان پذير نمي بود صميمانه سپاسگزارم .    

 

 

فهرست مراجع

 

] 1 [. البرزي، محمود ، " آشنايي با شيكه‌هاي عصبي"  ،انتشارات علمي دانشگاه صنعتي شريف  1380 .

 

]  2 [. حائري، سيد محسن و ساداتي، ناصر و مهين‌روستا، رضا ، "استفاده از شبكه عصبي در پيش‌بيني رفتار تنش ـ كرنش خاك‌هاي رسي"  ،مجموعه مقالات پنجمين كنفرانس بين‌المللي عمران ، انتشارات دانشگاه فردوسي مشهد 1379 .

 

 

[3].Neural Network Toolbox User's Guide , "MATLAB USER MANUAL  " , MATH WORKS Inc 1992-2002 .

 

 

]  4 [.قزل سوفلو، عباسعلي ، "پيش‌بيني جريان رودخانه‌ها بمنظور كاربرد در برنامه‌ريزي منابع آب" پايان‌نامه كارشناسي ‌ارشد عمران آب ، دانشكده مهندسي دانشگاه فردوسي مشهد 1376 .

 

 

]   5 [.صالحی سده، رضا ، "کاربرد شبکه عصبی مصنوعی در پيش بيني جريان رودخانه" پايان‌نامه كارشناسي ‌ارشد عمران آب ، دانشكده مهندسي دانشگاه فردوسي مشهد 1383 .

 

 

]   6 [.سازمان آب منطقه‌اي استان خراسان ، "گزارش آماري حوزه معرف كارده" امور مطالعات بررسي منابع آب. 

 

 

]   7 [. عربزاده، بهمن‌ و نيكوكار، مسعود ، "آمار و احتمالات كاربردي" انتشارات نور ،

خرید آنلاین


سایر محصولات

تحقيق در مورد شبكه هاي عصبي مغز


فرمت فایل:WORD(قاببل ویرایش)تعدا34 صحفه     آیا تا به حال فكر كرده‌اید كه ما چگونه مطلبی را می‌آموزیم؟ چقدر و با چه سرعتی یاد می‌گیریم؟ مغز ما چگونه می‌تواند یك مسأله را حل كند؟ آیا تا به حال به نحوه&z

ادامه مطلب  
تحقيق جامع و کامل درباره شبکه هاي عصبي مصنوعی


فرمت فایل : word  (لینک دانلود پایین صفحه) تعداد صفحات 152 صفحه    چكیده شبكه هاي عصبي مصنوعی در بسیاری از موارد تحقيق و در تخصص هاي گوناگون به كار گرفته شده و به عنوان یك زمینه تحقيقاتی بسیار فعال حاصل همكار

ادامه مطلب  
دانلود تحقيق کاربرد مدل شبکه عصبي مصنوعی در مدیریت منابع آب زیرمینی


استفاده از شبکه عصبي در پیش بینی متغیرهاي منابع آبی از جمله آب زیرزمینی بطور گسترده رو به افزایش است. این تحقيق از طریق شبکه عصبي مصنوعی چندین هدف را دنبال می کند، که شامل تعیین پارامترهاي موثر بر نوسانات سطح

ادامه مطلب  
مقدمه ای بر شبكه هاي عصبي


مقالات  ریاضی  با فرمت           DOC           صفحات  981 مقدمه      در سالیان اخیر شاهد حركتی مستمر، از تحقيقات صرفاً تئور

ادامه مطلب  
تحقيق در مورد محاسبه فركانس غالب ورقها با استفاده از شبکه عصبي انتشار برگشتی Back Propagation (BP)


44 صفحه word|فونت tahoma سایز 14| قابل اجرا در آفیس 2007 و نسخه هاي جدیدتر|قابل ویرایش و آماده چاپبخشی از تحقيقفصـل دوم : شبكه هاي‌ عصبي مصنوعی   2-1

ادامه مطلب  
آشنایی با شبکه‌هاي عصبي و مصنوعی


آشنایی با شبکه‌هاي عصبي و مصنوعی86 صفحه قابل ویرایش قیمت فقط 8000 تومان   چکیده          امروزه شبکه‌هاي عصبي کاربردهاي مختلف و دارای دامنه‌ی کاربرد وسیعی می‌باش

ادامه مطلب  
دانلود پایان نامه رشته کامپیوتر شبکه هاي عصبي


متن کامل این پایان نامه را  با فرمت ورد word دانلود نمائید   عنوان تحقيق : شبکه هاي عصبي مقدمه الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در

ادامه مطلب  
تحقيق بررسی وتحلیل سخت افزار شبكه


مقدمه 8تعریف شبكه : 8متدلوژی (روش شناسی) ایجاد یك سیستم 11فصل 1- مفاهیم اولیه 14مقدمه 14تاریخچه 14كاربردهاي شبكه 14اجزای شبكه 152-1 تقسیم بندی شبكه 161-2-1 طبقه بندی براساس Range 16شبكه كامپیوتری 17تعیین نوع سیستم عامل و نهايتاً نصب سیستم عامل 1

ادامه مطلب  
تحقيق درباره مفاهیم تئوری شبكه -23 صفحه word


مشخصات فایلعنوان:تحقيق درباره مفاهیم تئوری شبكه قالب بندی:word تعداد صفحات:23 قسمتی از متنمفاهیم تئوری شبكهدر مباحث قبل به كار با یك شبكه محلی و چگونگی اجرای فرمانها در محیط شبكه پرداختیم. با مجموعه برنامه هاي سودمند نا

ادامه مطلب  
مقاله كاربرد شبكههاي عصبي مصنوعی در مهندسی رودخانه


این محصول در قالب ورد و قابل ویرایش در 32 صفحه می باشد. رسوبات انتقالی توسط رودخانه‌ها مشكلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌هاي آبی به وجود می‌آورند. در ده‌هاي اخیر تحقيقات بزرگی برای

ادامه مطلب  
logo-samandehi