دانلود مقاله تحقیق پایان نامه

توابع انتقال، ساختار شبکه

فرمول نرمالسازی داده ها: [do_widget id=kl-erq-2]
فرمول برگشت داداه ها به اشل واقعی:
انتخاب توابع آموزش شبکه
این توابع وظیفه تنظیم و اصلاح مقادیر وزن ها و بایاس ها را برای آموزش هرچه بهتر شبکه به عهده دارند. تعدادی از توابع آموزشی موجود در متلب ارائه شده است: [49]
Traingd
این تابع آموزش شبکه، مقادیر وزن وبایاس را با توجه به شیب نزولی تنظیم و اصلاح می کند. این تابع قادر به آموزش هر شبکه ای می باشد. برای محاسبه مشتق های توابع انتقال با در نظر گرفتن مقادیر متغیر وزن و بایاس الگوریتم BP استفاده می شود. این الگوریتم همگرایی سریعی دارد و می توان از ایت تابع برای آموزش شبکه های feedforward استفاده نمود.
Traingda
این تابع یادگیری مقادیر وزن وبایاس را با توجه به شیب نزولی همراه با نرخ یادگیری تطبیقی اصلاح می کند.
Trainbr
این تابع یادگیری مقادیر وزن و بایاس را با استفاده از روش بهینه سازی Levenberg-Marquardt تنظیم می کند، این روش ترکیب مربعات خطا و وزن ها را با هم به حداقل می رساند و به طور همزمان میزان صحیح تر این ترکیب را تخمین می زند، تا بتواند شبکه بهتری را توسعه بدهد. تعیین پارامترهای کارایی به صورت اتوماتیک بسیار مطلوب می باشد. یک راه برای رسیدن به این هدف استفاده از چهارچوب کار بیز می باشد. تنظیم به روش بیز در تابع آموزشی trainbr پیاده سازی شده است. الگوریتم trainbزمانی که ورودی ها و هدف های شبکه در محدوده [1,-1] مقیاس شده باشند بهترین نتیجه را ارائه می دهد. تابع یادگیری trainbr با توقف زودرس خیلی خوب عمل می کند. به دلیل وجود جواب های بهینه تر از تابع یادگیری trainbr در این تحقیق استفاده شده است.
Traingdm
این تابع مقادیر وزن و بایاس را با توجه به شیب نزولی و اندازه حرکت تنظیم می کند. این الگوریتم همگرایی سریعی دارد و می توان از ایت تابع برای آموزش شبکه های feedforward استفاده نمود.
Traingdx
تابع Traingdx دو روش سرعت یادگیری(LR) انطباق پذیر و مومنتم را با هم ترکیب می کند. این تابع نیز مانند تابع traingda می باشد با این تفاوت که یک پارامتر اضافی تحت عنوان mc ضریب مومنتم(momentum) دارد.
Trainlm
این تابع مقادیر وزن ها و بایاس ها را با توجه به روش بهینه سازی Levenberg-Marquardt تنظیم می کند. در مورد توقف زودرس، باید مراقب باشید که آن را همواره با الگوریتمی که سریع همگرا می شود استفاده نکنید. اگر شما از یک الگوریتم سریع مثل trainlm استفاده می کنید، باید پارامترهای مربوط به آن را طوری تنظیم کنید که همگرایی به کندی صورت گیرد (به عنوان مثال mu را عددی بزرگ مثل 1 و mu_inc و mu_dec را دو عدد نزدیک به 1 مثل 1.5 و 0.8 انتخاب کنید).
ساختار شبکه عصبی مورد استفاده
در مدل سازی های انجام شده توسط شبکه عصبی با توجه به مطالعات و مرور تحقیقات گذشته تابع tansig تانژانت سیگموئید و تابع خطی purelin عملکردهای مناسبی در مدل سازی از خود نشان داده است. پس از بررسی و آزمایش الگوریتم های مختلف، الگوریتمtrainbr نیز کارایی بالایی در آموزش شبکه ها از خود نشان داده است.

شبکه سه لایه tansig / purelin مورد استفاده در مدل سازی
الگوریتم شبکه عصبی طراحی شده برای شبیه سازی و پیش بینی تغیرات شوری
در فلوچارت طراحی شده ابتدا از بین ورودی های موجود اقدام به انتخاب بهترین ورودی های ممکن برای آموزش شبکه می نمایید و از شبکه ی عصبی مصنوعی با یک لایه پنهان با توان تعمیم پذیری بالای داده های آزمایشی استفاده شده است. در ادامه پس از تعیین بهترین تعداد نرون لایه پنهان ، شبکه را به ازای نرون بهینه آموزش داده و در پایان شبکه آموزش دیده را بر روی داده های آزمایشی اعمال نموده و داده های واقعی و مدلسازی شده برازش داده می شوند. پس از برازش داده های واقعی و مدلسازی درصد خطای شبکه محاسبه شده و عملکرد شبکه مورد بررسی قرار خواهد گرفت.
فلوچارت شبیه سازی و پیش بینی تغییرات شوری با استفاده از ANN

]]>