بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان
Publish place: 3rd Iran Water Resources Management Conference
Publish Year: 1387
Type: Conference paper
Language: Persian
View: 5,388
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
WRM03_257
Index date: 16 April 2008
بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان abstract
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.
بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان Keywords:
بهینه یابی تعداد لایه ها و نرونهای شبکه عصبی مصنوعی به روش الگوریتم ژنتیک در پیش بینی جریان authors
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 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 :