CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی زمان شکست ولتاژ عایقها با اموزش شبکه عصبی MLP به کمک قوانین فازی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۱۸۰ | نظرات: ۰
سرفصل ارائه مقاله: کامپیوتر / Computer
سال انتشار: ۱۳۸۶
کد COI مقاله: ICEE15_226
زبان مقاله: فارسی
حجم فایل: ۶۵۴.۳ کلیوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله پیش بینی زمان شکست ولتاژ عایقها با اموزش شبکه عصبی MLP به کمک قوانین فازی

محمد کمالی - گروه کامپیوتر، هوش مصنوعی، مرکز تربیت معلم شهید بهشتی مشهد
  سعید راحتی - گروه کامپیوتر، هوش مصنوعی، دانشگاه آزاد اسلامی واحد مشهد
  حبیب رجبی مشهدی - گروه برق ، دانشگاه فردوسی مشهد
  حسین فلاح - گروه کامپیوتر، هوش مصنوعی ، دانشگاه آزاد اسلامی واحد مشهد

چکیده مقاله:

استفاده از منطق فازی در آموزش شبکه های عصبی به دلیل نزدیکی آن به زبان انسانی ونیز به جهت همگرایی سریعتر در آموزش و نیاز به عصبهای کمتر، آن را نسبت به دیگر روشها مانند آموزش مبتنی بر الگو یا تکرار، متمایز کرده است. در این مقاله به کمک یک تدوین چدید برای قوانین متناسب با ساختار شبکه های عصبی پرسپترون چند لایه ، روشی برای آموزش آنها بر اساس قوانین فازی ارائه می شود. مدل پیشنهادی خود را با یک مدل آموزش دیده بر اساس روش پس انتشار خطا از نظر سرعت همگرایی و دقت در یادگیری تعداد عصبهای موجود در شبکه ی عصبی مقایسه می کنیم. برای اینکار آزمایشی برای پیش بینی زمان شکست ولتاژ عایقها در سلف مدار ترانس ترتیب داده شد. متوسط خطای پیش بینی برای یک مجموعه آموزش 75 عضوی، 0/122 با 4 عصب و برای آموزش به روش کلاسیک برای همین مجموعه، متوسط خطا، 0/15 با 14 عصب می باشد.

کلیدواژه‌ها:

تخمین ولتاژ شکست ، پس انتشار خطا ، شبکه عصبی فازی ، قوانین فازی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ICEE15-ICEE15_226.html
کد COI مقاله: ICEE15_226

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
کمالی, محمد؛ سعید راحتی؛ حبیب رجبی مشهدی و حسین فلاح، ۱۳۸۶، پیش بینی زمان شکست ولتاژ عایقها با اموزش شبکه عصبی MLP به کمک قوانین فازی، پانزدهیمن کنفرانس مهندسی برق ایران، تهران، مرکز تحقیقات مخابرات ایران، https://www.civilica.com/Paper-ICEE15-ICEE15_226.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (کمالی, محمد؛ سعید راحتی؛ حبیب رجبی مشهدی و حسین فلاح، ۱۳۸۶)
برای بار دوم به بعد: (کمالی؛ راحتی؛ رجبی مشهدی و فلاح، ۱۳۸۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • D. Zhang, X.L. Bai, K.Y. CAI, "Extended neuro- fuzzy models ...
  • D S. Touretzky, Artificial Neural Networks; Spring 2004. ...
  • F.L. Chung, W. Shitong, D. Z. Hong, H. DeWine, *Fuzzy ...
  • S. Marinai, M. Gori, And G. Soda, "Artificial Neural Networks ...
  • J.L. Castro, M. Delgado, C.J. Mantas, 4A fuzzy rule-based algorithm ...
  • P.E. Mitchell, H.Yan; *Newspaper Document Analysis featuring Connected Line Segmentation?, ...
  • J.L. Fan, W.Z. Zhen, W.X. xie; *Suppressed fuzzy C-means clustering ...
  • لی وانگ, ترجمه محمد تشنه لب، نیما صفاپور، داریوش افیونی؛ ...
  • محمد باقر منهاج، مبانی شبکه‌های عصبی (هوش محاسباتی)، ۱۳۸۱. ...
  • P.P. D'Urso, P.Giordanib;، A weighted fuzzy c- means clustering model ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.