بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان
محل انتشار: سومین کنفرانس مدیریت منابع آب
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 5,103
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WRM03_257
تاریخ نمایه سازی: 28 فروردین 1387
چکیده مقاله:
در دهه های اخیر پیشرفت های چشمگیری در زمینه های مختلف به کارگیری شبکه های عصبی مصنوعی (ANN) به عنوان مدلی که با تجزیه و تحلیل اطلاعات موجود امکان پیش بینی را بدون نیاز به استخراج توابع پیچیده و روابط غیر خطی و نا مشخص فراهم می سازد، در بسیاری از علوم مختلف علمی و مهندسی به ویژه مهندسی آب حاصل شده است. با توجه به گستردگی پارامترهای شبکه عصبی مصنوعی جهت پیش بینی مطلوب لازم است زمان زیادی صرف کالیبراسیون این پارامترها گردد. بدیهی است که بدلیل عدم تبعیت ترکیب این اعداد از تابع خطی یا غیر خطی امکان بهینه سازی با روشهایی بر مبنای گرادیان مقدور نیست. در این تحقیق الگوریتم ژنتیک به عنوان یک ابزار بهینه سازی در تعیین ترکیب بهینه پارامتر های مؤثر در کالیبراسیون ضرایب ANN به کار گرفته شد. با انجام فرآیند فوق در یک مدل پیش بینی جریان تعداد لایه های مخفی و تعداد نرونهای مؤثر در هر یک از لایه ها به نحوی تعیین گردید که بهترین حالت در مقادیر پیش بینی شده جریان حاصل گردد. نتایج بیانگر سرعت بالای همگرایی الگوریتم ژنتیک و برتری کارائی آن در قیاس با انجام روش آزمون و خطا جهت انتخاب پارامتر های مؤثر بر شبکه می باشد.
کلیدواژه ها:
نویسندگان
محبوبه زارع زاده مهریزی
دانش آموخته کارشناسی دانشگاه علوم کشاورزی و منابع طبیعی گرگان
امید بزرگ حداد
استادیار پردیس کشاورزی و منابع طبیعی دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :