پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

اختصاصی از کوشا فایل پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:145

فهرست مطالب:

چکیده: 5
فصل اوّل: 1
مقدمه 1
مقدمه: 2
فصل دوم: 5
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها 5
1-2 انسان و کامپیوتر: 6
2-2 ساختار مغز: 8
شکل 1-2 مشخصات اصلی یک نرون بیولوژیک 9
شکل 2-2 ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند. 11
1-2-2 یادگیری در سیستم‌های بیولوژیک: 11
2-2-2 سازمان مغز: 12
3-2 یادگیری در ماشین‌ها: 13
4-2 تفاوت‌ها: 14
چکیده نکات مهم فصل دوم: 16
فصل سوم: 17
بازشناسی الگوها 17
بازشناسی الگوها: 18
1-3 مقدمه: 18
2-3 چشم‌انداز طرح شناسی: 18
3-3 تعریف بازشناسی الگوها: 19
4-3 بردارهای مشخصات و فضای مشخصات: 20
شکل 1-3 یک فضای مشخصات دوبعدی اقلیدسی 21
5-3 توابع تشخیص‌دهنده یا ممیز 21
شکل 2-3 محدوده‌ی تصمیم یک طبقه‌بندی خطی. 23
6-3 فنون طبقه‌بندی: 23
1-6-3 روش طبقه‌بندی «نزدیک‌ترین همسایه»: 23
شکل 3-3 طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه» 24
شکل 4-3 اندازه‌گیری تا نزدیک‌ترین همسایه گاه باعث خطا می‌شود. 25
2-6-3 میزان‌های اندازه‌گیری فاصله 25
فاصله‌ی همینگ 25
شکل 5-3  فاصله اقلیدسی 27
8-3 بازشناسی الگوها – خلاصه : 32
چکیده نکات مهم فصل سوم: 32
فصل چهارم: 33
نرون پایه 33
2-4 مدل‌سازی نرون تنها: 34
شکل 2-4 نمای مدل اصلی نرون. 36
3-4 تابع آستانه 37
شکل 8-4 آیا می‌توانیم Aها را از Bها تمیز دهیم؟ 42
1-3-4 الگوریتم فراگیری پرسپترون: 45
1-4-4 یادگیری و تعدیل وزنها در آدالاین: 48
جدول 3-4) جدول ارزش گزاره مربوط به تابع   52
2-4-4 قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی: 54
جدول 8-4) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع   56
جدول 9-4) 57
شکل 9-4 دو مجموعه‌ی مجزا از الگوها در فضای دوبعدی. 58
شکل 10-4 رفتار بردار ضرایب وزنی در فضای الگوها. 59
شکل 11. 60
تعاریف: 61
7-4 محدودیت‌های پرسپترون: 65
8-4 آیا این به معنای پایان راه است؟ 67
1-8-4 نتیجه‌گیری: 68
فصل پنجم: 69
پرسپترون چندلایه‌ای 69
1-2-5 رفع مشکل: 70
شکل 2-5 دو راه ممکن برای توابع آستانه‌ای. 72
شکل 3-5 پروسپترون چند لایه‌ای. 73
شکل 5-5) نمایش مدل پرسپترون چند لایه به صورت اختصاری 74
1-4-5 ریاضیات: 76
5-5 الگوریتم پرسپترون چند لایه‌ای: 80
شکل 6-5 یک راه برای مسئله XOR. 82
7-5 تجسم رفتار شبکه : 85
8-5 پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی:‌ 89
شکل 18-5 95
آموزش تدریجی: 98
آموزش یکباره: 98
12-5 تعمیم‌دهی: 100
13-5 تحمل نقص: 102
14-5 مشکلات آموزش 103
کاهش ضریب بهره: 104
افزایش تعداد گره‌های داخلی 104
1-14-5 سایر مشکلات آموزش: 105
1-15-5 شبکه‌ی گویا: 105
2-15-5 فیلتر کردن اغتشاش ای – سی – جی (ECG) 106
3-15-5 کاربردهای مالی: 107
4-15-5 بازشناسی الگوها: 108
فصل ششم: 111
بررسی ویژگی‌ها و مدل‌سازی رآکتور شیمیایی مورد بحث در این پروژه: 111
1-1-6) پرسپترون‌های چندلایه: 112
شکل 2-6) یک پرسپترون سه‌لایه 113
3-6- آزمون صحت عملکرد مدل: 118
4-6- کنترل غیر خطی پیش‌بین: 120
5-6- ویژگی‌های رآکتور مورد مطالعه: 122
شکل 5-6) شکل شماتیک از رآکتور مورد مطالعه 122
شکل 7-6) مدل دینامیکی 124
7-6) نتایج شبیه‌سازی: 127
جدول 1-6) دقت تخمین، برای مدل‌های مختلف آموزش 128
فصل هفتم: 130
نتیجه‌گیری 130
پیوست‌ها: 133
بخش دوم: 136
2-ب- برنامه‌ی آموزش به شبکه: 137
3-ب- برنامه بررسی صحت عملکرد پاسخ‌های پیش‌بینی شده‌: 138
مراجع: 139
 

چکیده:
در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی  از نوع پرسپترون‌های چندلایه  برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.
این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست  می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان  به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.
همچنین به‌جای یک سیستم واقعی، از یک مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه که در این تحقیق آمده است، اثبات می‌کند.
کلمات کلیدی: هوش مصنوعی، شبکه های عصبی مصنوعی، رآکتور شیمیایی، کنترل پیش‌بین، نرون، پتانسیل فعالیت، پرسپترون چندلایه غیر خطی، تورش، سیستم‌های غیر خطی، بازشناسی الگو، دستگاه‌های طبقه‌بندی خطی و غیر خطی، قاعده‌ی پس انتشار خطا، تعدیل ضرایب وزنی، شبیه‌سازی، مدل دینامیکی کامل / ناکامل شبکه‌‌ی عصبی مصنوعی