کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

کوشا فایل

کوشا فایل بانک فایل ایران ، دانلود فایل و پروژه

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 پر سرعت .

پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی


پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

 

 

 

 

 

 

 



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


دانلود با لینک مستقیم


کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی

اختصاصی از کوشا فایل کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی دانلود با لینک مستقیم و پر سرعت .

کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی


کاربرد فیلتر کالمن عصبی در بهبود سیگنال های صوتی

چکیده:

در فصل اول، پایان نامه مروری بر پژوهشهای انجام شده توسط محققان و دانشمندا ن طی نیم قرن اخیر دارد و سعی می کند تا روند تکامل خانواده فیلتر کالمن را مورد بررسی قرار دهد. در فصل دوم به معرفی فیلتر کالمن، فیلتر کالمن توسعه یافته و فیلتر کالمن دوگانه می پردازد و روابط آنها و چگونگی استخراج این روابط تشریح می گردد . در فصل سوم موضوع شناسایی سیتمهای خطی و غیر خطی مطرح می گردد و انواع روشهای شناسایی سیستمهای خطی و غیر خطی مورد مطالعه قرار می گیرد . همچنین کاربرد شبکه عصبی در شناسایی سیستمهای غیر خطی و نحوه آموزش و انتخاب ساختار شبکه عصبی تشریح می گردد و در ادامه نحوه آموزش شبکه عصبی انتخاب شده ارائه می گردد . در فصل چهارم نیز به ارائه شبیه سازیهای انجام شده با نرم افزار Matlab 6.5 و مقایسه آنها با یکدیگر پرداخته شده است.

لیست برنامه های نوشته شده نیز در پیوست ۱ ارائه گردیده است.

 

 

فهرست مطالب:

چکیده ۱۲
مقدمه ۱۳
فصل ۱
مروری بر پژوهشهای پیشین
۱- فیلتر وینر ۱۴ -۱
۲- فیلتر کالمن ۱۵ -۱
۳- فیلتر کالمن توسعه یافته ۱۶ -۱
۴- روشهای کاهش طیفی ۱۷ -۱
۵- استفاده مستقیم از شبکه عصبی ۱۸ -۱
۶- فیلتر کالمن توسعه یافته دوگانه ۱۹ -۱
۷- فیلتر کالمن درک نشده ۲۰ -۱
۸- فیلتر کالمن درک نشده دوگانه ۲۱ -۱
فصل ۲
معرفی فیلترهای کالمن
۱- مقدمه ۲۵ -۲
۲- فیلتر کالمن ۲۶ -۲
۱- مدل سیگنال و مشاهده ۲۶ -۲-۲
۲- یافتن پارامترهای فیلتر کالمن ۲۹ -۲-۲
۳- خلاصه ای از روابط فیلتر کالمن ۳۱ -۲-۲
۴- خطای سیستم ۳۲ -۲-۲
٧
۵- خصوصیات فیلتر کالمن ۳۳ -۲-۲
۳۴ (EKF) ۳- فیلتر کالمن توسعه یافته -۲
۳۹ (DEKF) ۴- فیلتر کالمن توسعه یافته دوگانه -۲
۱- فیلتر تخمین حالت کالمن توسعه یافته ۴۱ -۴-۲
۲- فیلتر تخمین وزن کالمن توسعه یافته ۴۴ -۴-۲
فصل ۳
شناسایی سیستمهای خطی و غیر خطی
۱- مقدمه ۴۵ -۳
۲- ساختارهای مدل کردن سیستمهای خطی ۴۷ -۳
۳- مدل فضای حالت سیگنالهای صوتی ۵۲ -۳
۴- اعتبار تخمین ۵۳ -۳
۱- تست تابع خود همبستگی ۵۴ -۴-۳
۵- شناسایی و مدل کردن سیستمهای غیر خطی ۵۶ -۳
۵۷ NARX ۱- روش -۵-۳
۶۱ NAR ۲- روش -۵-۳
۳- نمایش شبیه سازیهای مدلسازی صوت ۶۳ -۵-۳
فصل ۴
نمایش شبیه سازیهای انجام شده و نتایج آن
۱- مقدمه ۶۷ -۴
۲- شرح خلاصه مطالب ۶۸ -۴
۳- ساختار مدل ۶۹ -۴
۱- حلقه شناسایی سیستم ۷۰ -۳-۴
٨
۲- ساختار شبکه عصبی ۷۲ -۳-۴
۳- نحوه آموزش شبکه عصبی ۷۳ -۳-۴
۴- نحوه همگرا شدن شبکه عصبی ۸۷ -۳-۴
۴- موضوع تخمین ۸۹ -۴
۱- نحوه تخمین سیگنال صوتی ۹۲ -۴-۴
۵- نتیجه گیری ۱۰۰ -۴
۶- پیشنهاد برای کارهای آینده ۱۰۱ -۴
۱۰۲ MATLAB پیوست ۱- برنامه های نوشته شده با نرم افزار 6.5
فهرست منابع فارسی ۱۰۸
فهرست منابع غیر فارسی ۱۰۹
فهرست نام ها ۱۱۳

 

 


دانلود با لینک مستقیم


دانلود پایان نامه کامل در مورد شبکه های عصبی (تعداد صفحات 54)

اختصاصی از کوشا فایل دانلود پایان نامه کامل در مورد شبکه های عصبی (تعداد صفحات 54) دانلود با لینک مستقیم و پر سرعت .

دانلود پایان نامه کامل در مورد شبکه های عصبی (تعداد صفحات 54)


دانلود پایان نامه کامل در مورد شبکه های عصبی (تعداد صفحات 54)

مسئله هماهنگ سازی شبکه های عصبی آشوبگونه با اغتشاش تصادفی مورد بررسی قرار گرفته است . مسئله کنترل و هماهنگ سازی این سیست م ها به شدت مورد توجه قرار گرقت و روش های مختلفی مثل کنترل حلقه بسته خطی و غیرخطی ، کنترل تطبیقی و نظایر آن جهت رسیدن به این هدف ، ارائه گردید . در مدلسازی سیستم ها ، توانایی تقریب به وسیله نورون ها ، شکل شبکه و قانون آموزش ، محدود می گردد . یک مسئله مهم جهت تحقیق و یررسی می باشد . سیستم های ANN چگونگی بهبود خاصیت ارگادیک آشوبگونه دارای مشخصاتی تصادفی هستند و الگوریتم آشوبی باعث ایجاد خاصیت قوی ارگادیک در شبکه می گردد.

فهرست :

چکیده فارسی

مقدمه

فصل اول

شبکه عصبی

 مقدمه

 شبکه عصبی

 سابقه تاریخی

 چرا از شبکه های عصبی استفاده می کنیم

 مزیتهای دیگر شبکه های عصبی

 شبکه های عصبی در مقابل کامپیوتر های معمولی

 انسان و سلول های عصبی مصنوعی در جستجوی شباهت ها

 از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

 انواع یادگیری برای شبکه های عصبی

 زمینه ای در مورد perceptron

 دنباله های Perceptron

 قضیه بنیادی دنباله ها

 هوش جمعی

PSO

فصل دوم

یک شبکه عصبی جدید و کاربرد آن

 مقدمه

 یک شبکه عصبی جدید و کاربرد آن

 معرفی

 نورون با خاصیت آشوبگونه

  شبکه

 قانون آموزش شبکه

 مدلسازی ژنراتور سنکرون دریایی

 نتایج مدلسازی

 نتیجه فصل

فصل سوم

آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله

 مقدمه

 آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله

 معرفی

 منحنی طول – کشش

 ساختار برگشتی

 تغییرات طیف

 نتایج فصل

فصل چهارم

هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی

 مقدمه

 هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی

 معرفی

 نمادها و مقدمات

 نتیجه فصل

فهرست منابع

منابع فارسی

منابع لاتین

چکیده انگلیسی

 نورون آشوب گونه

  سیستم شناسایی ژنراتور سنکرون دریایی به وسیله شبکه عصبی

 توان گشتاور ورودی و فرکانس خروجی ژنراتور

 جریان تحریک ورودی و ولتاژ خروجی پایانه

 فرکانس خروجی ژنراتور ، شبکه و خطای بین آنها

 تابع کشش –  طول فعال

 شبکه برگشتی

نمودار دو شاخه شدن

 حساسیت به شرط اولیه

 ایجاد طیف پیوسته از طریق افزایش فرکانس های گسسته

 نرخ هماهنگ سازی نمایی سیستم با خطای دینامیک

 دینامیک های سنکرون نشده در فضای حالت


دانلود با لینک مستقیم


دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی

اختصاصی از کوشا فایل دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی دانلود با لینک مستقیم و پر سرعت .

دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی


دانلود پایان نامه کاربرد  مدل شبکه عصبی مصنوعی  در مدیریت منابع آب زیرمینی

لینک پرداخت و دانلود *پایین مطلب*

 

فرمت فایل:Word (قابل ویرایش و آماده پرینت)

 

تعداد صفحه:120

فهرست مطالب

فهرست

 

مقدمه.................................................................................................................................................................... 1

فصل اول: مروری بر پیشینه پژوهش....................................................................................................................... 3

1-1- مقدمه........................................................................................................................................................... 3

1-2- مروری بر تحقیقات انجام یافته....................................................................................................................... 3

فصل دوم: روش پژوهش، ابزار و مواد...................................................................................................................... 11

2-1-مقدمه........................................................................................................................................................... 11

2-2-  معرفی شبکه عصبی مصنوعی..................................................................................................................... 11

2-2-1- مزیت های شبکه های عصبی:............................................................................................................. 11

2-2-2- کاربردهای شبکه عصبی:.................................................................................................................... 12

2-2-3- اجزای کلی شبکه عصبی مصنوعی..................................................................................................... 13

2-2-4- ساختار های شبکه عصبی مصنوعی................................................................................................... 15

2-2-4-1- شبکه های پیشرو(Feedforward).......................................................................................... 15

2-2-4-2- شبکه های برگشتی(Backforward) ...................................................................................... 15

 2-2-4-3- شبکه های شعاعی(Radial Basis Function Networks )................................................... 16

2-2-5- معرفی انواع شبکه عصبی ساده: ........................................................................................................ 16

2-2-5-1- پرسپترون(Perceptron)......................................................................................................... 16

2-2-5-2- شبکه همینگ(Haming)........................................................................................................ 17

2-2-5-3- شبکه هاپفیلد(Hopfield)....................................................................................................... 17

2-2-6- الگوریتمهای مختلف آموزش.............................................................................................................. 17

2-2-6-1-الگوریتم لونبرگ-مارکورت (LM) Levenberg-Marquardt..................................................... 17

2-2-6-2-گرادیان نزولی انتشار خطا به عقب با ممنتم................................................................................. 18

2-2-6-3-تنظیم بایزین (BR) Bayesian Regulazation........................................................................ 18

2-2-7- تقسیم بندی شبکه ها از نظر نوع توابع عملگر..................................................................................... 18

2-2-8- تقسیم بندی شبکه ها از نظر نوع آموزش............................................................................................. 19

2-2-8-1- آموزش نظارت شده(Supervised)............................................................................................ 19

2-2-8-2- آموزش غیرنظارت شده(Unsupervised).................................................................................. 19

2-2-9- آموزش شبکه های عصبی مصنوعی.................................................................................................... 20

2-2-10- صحت سنجی.................................................................................................................................... 21

2-2-11- معیار ارزیابی کارایی و خطای مدل..................................................................................................... 22

2-3- ویژگیهای منطقه مورد مطالعه...................................................................................................................... 22

2-3-1- موقعیت جغرافیایی محدوده مورد مطالعه............................................................................................ 22

2-3-2- زمین شناسی منطقه مورد مطالعه:..................................................................................................... 24

2-3-2-1- تشکیلات کرتاسه...................................................................................................................... 26

2-3-2-2- رسوبات نوع فلیش................................................................................................................... 27

2-3-2-3- تشکیلات پالئوژن.................................................................................................................... 27

2-3-2-4- تشکیلات نئوژن....................................................................................................................... 27

2-3-2-5- رسوبات کواترنر....................................................................................................................... 28

2-3-3- زمین‏شناسی ساختمانی منطقه‏ مورد مطالعه....................................................................................... 28

2-3-4- هواشناسی........................................................................................................................................ 29

2-3-4-1- بارندگی.................................................................................................................................... 29

2-3-4-2- درجه حرارت :......................................................................................................................... 32

2-3-4-3- تبخیر و تعرق.......................................................................................................................... 33

2-3-4-4-  رطوبت نسبی:........................................................................................................................ 34

2-3-4-5- طبقه بندی اقلیمی منطقه........................................................................................................ 35

2-3-5-  بررسی های اکتشافی دشت بیرجند.................................................................................................. 37

2-3-5-1-  مطالعات ژئوفیزیک................................................................................................................. 37

2-3-5-2- نقشه هم ضخامت آبرفت.......................................................................................................... 38

2-3-5-3-  نقشه مقاومت عرضی.............................................................................................................. 39

2-3-5-4-  نقشه هم ارتفاع سنگ کف دشت بیرجند................................................................................. 39

2-3-6-  هیدروژئولوژی دشت بیرجند............................................................................................................. 41

2-3-6- 1- بررسی ضرایب هیدرودینامیکی:............................................................................................... 41

2-3-6-2- رفتار سنجی چاههای مشاهده ای............................................................................................. 43

2-3-6-3- هیدروگراف واحد دشت........................................................................................................... 53

2-3-7-  نقشه های هیدروژئولوژی.................................................................................................................. 55

2-3-7-1- نقشه هم پتانسیل دشت بیرجند............................................................................................... 55

2-3-7-2- نقشه هم عمق دشت بیرجند.................................................................................................... 57

2-3-7-3-  نقشه هم افت دشت بیرجند.................................................................................................... 58

2-3-8-  بهره برداری از منابع آب زیرزمینی دشت بیرجند.............................................................................. 59

2-3-8-1-  چاه........................................................................................................................................ 59

2-3-8-2-  چشمه..................................................................................................................................... 61

2-3-8-3-  قنات...................................................................................................................................... 62

2-3-9-  محاسبه بیلان دراز مدت آبخوان دشت بیرجند................................................................................... 62

2-3-9-1- مدت یا دوره بیلان.................................................................................................................... 63

2-3-9-2-  مجموعه ورودی آب زیرزمینی................................................................................................. 63

2-3-9-3-  مجموعه خروجی آب زیرزمینی................................................................................................ 65

2-3-9-4-  تغییرات حجم مخزن در دوره بیلان(∆X)................................................................................. 66

2-3-10- محاسبه بیلان کوتاه مدت آبخوان آبرفتی دشت................................................................................. 67

2-3-10-1- مدت یا دوره بیلان:................................................................................................................. 67

2-3-10-2-  مجموعه ورودی آب زیرزمینی:............................................................................................... 67

2-3-10-3-  مجموعه خروجی آب زیرزمینی............................................................................................... 69

2-3-10-4- تغییرات حجم مخزن در دوره بیلان(∆X)................................................................................. 70

فصل سوم: بحث، تجزیه و تحلیل........................................................................................................................... 71

3-1- مقدمه........................................................................................................................................................ 72

3-2- انجام آنالیز حساسیت و تعیین ساختار شبکه عصبی و پارامترهای موثر بر نوسانات سطح آب......................... 72

3-3- مدلسازی سطح آب زیرزمینی در چاه مشاهده ای محمدیه در منطقه مورد مطالعه.......................................... 79

3-4- مدلسازی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه.................................... 83

3-5- پیش بینی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه.................................... 91

3-6- پیش بینی سطح آب در مناطق فاقد چاه مشاهده ای در محدوده مورد مطالعه  و ترسیم منحنی هم تراز.......... 99

فصل چهارم: نتیجه گیری و پیشنهاد................................................................................................................... 114

4-1- نتیجه گیری.............................................................................................................................................. 114

4-2- پیشنهادها........................................................................................................................................... 116

منابع و ماخذ...................................................................................................................................................... 117

  1. Reference....................................................................................................................................................... 118

  1-1- مقدمه

در طی دهه اخیر استفاده از شبکه های عصبی مصنوعی بطور روز افزونی در حیطه منابع آبی بویژه آبهای زیرزمینی در سراسر دنیا انجام شده است. با توجه به اینکه مدلهای شبکه عصبی نتایج خوبی ارائه می کنند استفاده از این مدلها در زمینه منابع آبی از مقبولیت خوبی برخوردار هستند.  دراین فصل به بیان مختصری از کارها و تحقیقات قبلی در زمینه شبکه عصبی مصنوعی پرداخته شده است.

1-2- مروری بر تحقیقات انجام یافته

اخیراً از شبکه های عصبی مصنوعی که یکی از شاخه های هوش مصنوعی محسوب می شود، به عنوان روشی کارا در حل مسائل به روش معکوس به طور روز افزونی استفاده می شود.

از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا  مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط  McCulloch and Pitts(1984)  انجام شد که  امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود.

 نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. اولین بار توسطRosenblatt (1985)  شبکه پرسپترون معرفی شد. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

سیستم دیگری از مدل خطی تطبیقی نرون توسط Widrow and Hoff(1960)  به نام Adalalin  ایجاد شد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بود.  Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

کتابی توسط Minisky and Papert (1969) نوشته شد که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح میکرد. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات  در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله مهمی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند. از جمله 1980))Grossberg که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او شبکه های A


دانلود با لینک مستقیم


کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

اختصاصی از کوشا فایل کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه دانلود با لینک مستقیم و پر سرعت .

کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه


کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

 

فایل بصورت ورد (قابل ویرایش) و در 29 صفحه می باشد.

فهرست مطالب

کاربرد شبکه‌های عصبی مصنوعی

در مهندسی رودخانه

ساختار عمومی شبکه پیشنهادی :

ـ الگورتیم پس انتشار خطا

ـ انتخاب پارامترهای دبی رسوب

ـ بکارگیری داده‌های صحرائی دبی رسوب

ـ آموزش شبکه و ارزیابی نتایج

ـ کالیبراسیون پارامترهای رسوب و دبی

 مقایسه با مطالعات قبلی

ـ ارزیابی مدل با بکارگیری داده‌های رسوب معلق

نتیجه‌گیری

مدل عصبی مورد استفاده

نتایج مدل عصبی و مقایسه آن با روش متداول تخمین رسوب

تعیین ابعاد حفره آبشستگی پایین دست سرریزهای ریزشی آزاد با استفاده از روش شبکه عصبی مصنوعی :

ـ الگوریتم آموزش شبکه عصبی مصنوعی

بررسی یادگیری شبکه عصبی

استفاده از شبکه عصبی در روندیابی متمرکز سیلاب

نتایج :


دانلود با لینک مستقیم