مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 132
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESRJ-7-4_002
تاریخ نمایه سازی: 21 شهریور 1400
Abstract:
تجزیه و تحلیل داده ها به ما کمک می کند تا بدانیم چگونه میبایست به نتایج مورد انتظار دستیابیم، بنابراین برای دستیابی به پردازش هایی دقیقتر، لازم است تا از بین تمام روشهای تحلیل اطلاعات، هر یک که برای موضوع تحت بررسیمان مناسبتر است را انتخاب نماییم. بدین منظور جهت آنالیز نمونه های حاصله از عملیات نمونه برداری سطحی سیستم مس پورفیری پرکام واقع در استان کرمان، تحت چهار مقدار طول و عرض نقاط نمونهبرداری، عیار عناصر مس و مولیبدن، از سه روش پرکاربرد K-نزدیکترین همسایه (KNN)، K میانگین (K-Means) و شبکه های عصبی بهره خواهیم گرفت. یکی از دیدگاههای مهم در علم دادهکاوی برای تحلیل و بررسی روی حجم زیادی از داده ها و نمونه ها با مشخصههای گوناگون، دیدگاه خوشهبندی میباشد. از معروفترین الگوریتمهای خوشهبندی، الگوریتم KNN و K-Means می باشد که الگوریتم KNN بر اساس تخمین پیش می رود و روشی غیر پارامتری جهت کلاسهبندی و رگرسیونگیری و به دست آوردن روابط چندین متغیر می باشد در حالی که K-Means بر اساس یک معیار فاصله، داده ها را به K خوشه تقسیم می کند و پس از کلاسهبندی داده ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می دهد. شبکه های عصبی در تشخیص الگوها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می توانند ابزاری سودمند باشند. به منظور شبیهسازی و تخمین عیار مس، الگوریتمهای یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده اند. در مقاله پیش رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش ها در مواجهه با تعداد داده های محدود و هموار ساختن مسیر برای محققین می باشد. نتایج حاصله نشان می دهد که روش KNN با ضریب همبستگی مناسبتر نسبت به شبکه های عصبی و K-Means برای تخمین عیار عنصر مس، موثر واقع شده است. امتیاز استفاده از روش KNN نسبت به دیگر روشهای تخمینی در مقاله پیش رو، ارائهگر الگویی مشخص و دقیق به منظور تخمین عیار در مواجهه با تعداد داده های محدود به تصمیم گیران این صنعت می باشد.
Keywords:
Authors
سید سعید قنادپور
دانشگاه صنعتی امیرکبیر
اردشیر هزارخانی
دانشگاه صنعتی امیرکبیر
ترانه رودپیما
دانشگاه صنعتی امیرکبیر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :