تحلیل و ارزیابی تاثیر الگوریتم آموزش الگوریتم RPROP در ترکیب با توابع خروجی TanH و Bias در شبکه عصبی مصنوعی FTDNN و Fgam بهینه سازی شده توسط Data Mining

کاربرد روزافزون شبکه های عصبی مصنوعی در علوم مهندسی عمران مهندسی آب نشانگر کارایی، نقش و اثر مهم مدل های مبتنی بر شبکه های عصبی مصنوعی است بدیهی است در کنار پژوهش انجام شده توسط ابزار شبکه عصبی مصنوعی، نیاز به پژوهش هایی در جهت تحلیل وارزیابی عملکرد شبکه های عصبی مصنوعی تخصصی در هر علم توسط متخصصان همان رشته است. در این پژوهش با استفاده ازمدلی جدید که قابلیت بررسی هوشمند انواع شبکه عصبی مصنوعی رادر کنار ایده ابتکاری دیتا ماینینگ دارد. نتایج بررسی وآنالیز حساسیت مدل های ایجاد وتحلیل شده نشان می دهد الگوریتم RPROP در کنار پارامترهای بدست آمه از data minimg اثر بسیار مطلوبی بر افزایش دقت مدل شبکه عصبی در تخمین رواناب داشته است.

کلیدواژه ها:

الگوریتم آموزش RPROP ، FTDNN ، FGam ، TanH ، Bias مقایسه تابع آموزش و تابع محرک خروجی ، شبکه عصبی مصنوعی Data Mining ، Artifical Neural Networks