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
Publish place: National Conference on Water,Human,Earth
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 874
This Paper With 13 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:
WHEC01_147
تاریخ نمایه سازی: 12 دی 1393
Abstract:
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.
Keywords:
الگوریتم آموزش RPROP , FTDNN , FGam , TanH , Bias مقایسه تابع آموزش و تابع محرک خروجی , شبکه عصبی مصنوعی Data Mining , Artifical Neural Networks
Authors
آرش یوسف دوست
کارشناسی ارشد مهندسی عمران - مهندسی آب دانشگاه آزاد اسلامی واحد تهرن مرکزی
محمدصادق صادقیان
هیئت علمی گروه عمران دانشگاه آزاد اسلامی واحد تهران مرکزی
رضا ابونوری
کارشناس ارشد مهندسی عمران مهندسی آب دانشگاه آزاد اسلامی واحد تهران مرکزی
محمدرضا بازرگان لاری
هیئت علمی گروه مهندسی عمران دانشگاه آزاد اسلامی واحد تهران شرق
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 :