مقاله بررسی عملکرد مدلهای شبکه عصبی مصنوعی (ANN) برای پیش بینی وزن حمل شده در یک سیستم حمل و نقل

اختصاصی از فی بوو مقاله بررسی عملکرد مدلهای شبکه عصبی مصنوعی (ANN) برای پیش بینی وزن حمل شده در یک سیستم حمل و نقل دانلود با لینک مستقیم و پر سرعت .

10 صفحه pdf

چکیده مقاله:

هدف اصلی این مقاله مدل سازی و پیش بینی وزن حمل شده بر اساس عواملی که مستقیما در سیستم حمل و نقل تأثیر می گذارند. در این مطالعه، برای ایجاد یک مدل پیش بینی از شبکه عصبی مصنوعی (ANN) و با یک پرسپترون چند لایه ) MLP ( و بصورت شبکه عصبی فیدفوروارد (feed forward) استفاده شده است. سه الگوریتم یادگیری مختلف که عبارتند از الگوریتم دسته ای پس انتشار (Bouch back propagation) الگوریتم انتشار سریع (Quick propagation) و الگوریتم لونبرگ مارکوارت (levenberg – Marguardt) با یک لایه پنهان و 5 گره در این مطالعه استفاده شده است. پارامترهای ورودی مدل عوامل مستقیم دخیل در سیستم حمل و نقل می باشد و علاوه بر آنها دو فاکتور زمانی یعنی تعداد هفته و فصل نیز در پیش بینی وزن حمل شده مدل دخالت داده شده اند. یکی دیگر از اهداف این مطالعه، مقایسه عملکرد الگوریتم های یاد شده بر اساس قدرت پیش بینی و مقدار خطای پیش بینی می باشد. نتایج نهایی نشان داد که الگوریتم انتشار سریع (QP) با توپولوژی 1-4-7 دارای بیشترین قدرت پیش بینی (R) و کمترین خطای پیش بینی ( RMSE ) می باشد. و همچنین تمامی عوامل مؤثر بر این مدل پیش بینی در آخر به ترتیب اهمیت و تأثیرگذاری اولویت بندی شده اند.

دانلودمقاله شبکه های (ANN)

اختصاصی از فی بوو دانلودمقاله شبکه های (ANN) دانلود با لینک مستقیم و پر سرعت .

مقدمه: (ANN) شبکه هایی هستند که به صورت یک تکنولوژی درآمده اند و هنوز هم به طور مداوم در روش های دینامیک در مورد اقدام به تولید یک روش معمولی برای طراحی یک کنترل کننده اصلی در این تکنولوژی به کار می رود. بر اساس این واقعیت ما در حال اقدام کردن به استفاده از این روش برای تولید این متد معمول از کاربردهای نور و کنترل و همچنین نشان دادن چندین طرح کنترلی با استفاده از لایه های محسوس داخلی و همچنین کنترل کننده (CMAC) می باشیم.
کاربردهای ANN در کنترل توسط عملکرد در یک اختلاف زمان متفاوت، کاربرد سوء آن سازگاری با تغییرات در دینامیک های طرح به خوبی تاثیرات محیط اطلاعات مخصوص یادگیری در یک موضوع و مکان ثابت و استوار محدودیت های کمی را در روش طرح به وجود آورده است. امیدواریم که افزایش سازگاری در نتیجه توسعه سیستم اجرائی، افزایش کیفیت تحلیل و کاهش قیمت طرح به وجود بیاید. نورال آلگوریتم ها بیشتر برای کنترل مهندسی به کار می روند. یکی از نکات کلیدی نور و کنترل این است که عملکردهای فعال غیرطولی نورون ها به طور طبیعی خودشان را در اختیار کنترل سیستم هایی قرار می دهند که دینامیک هایی با عرض های بالای شناخته شده و غیرمعین دارند. آونگ معکوس و آونگ دوبل معکوس معیار سستم های دینامیک غیرطولی می باشند که بی ثبات هستند و برای آزمایش طرح های کنترل به کار می روند. یکی از اهداف این پروژه بررسی استفاده از طرح های شبکه یا رشته ای برای کنترل سیستم پاندول معکوس ساده برای آزمایشات اولیه و سیستم های پاندول معکوس دوتایی به عنوان هدف نهایی می باشد.
توصیف طرح کنترل: با توجه به بحث بالا تعریف سیستم برای پاندول ساده و دوبل در ابتدای کار ما می باشد. یک کنترل کننده نور و (شکل 1) با استفاده از مدل شبکه ای نورال برای آونگ طراحی می شود. ما نشان می دهیم که کنترل کننده ها برای ثابت نگه داشتن سنسور و به حرکت درآورنده ها و پارامترهای از پیش تعیین نشده (مثل اشتباهات مدلی) به کار برده می شوند.
نور و کنترل کننده آونگ معکوس ساده، با یک کنترل کننده خطی ساخته شده با مدل طرح Pole Placeman ساخته می شود. یک طرح کنترل معکوس مستقیم، به عنوان کنترل اولیه مورد استفاده قرار می گیرد (7) (6) (5). شکل 1 نشان می دهد که دیاگرام نروکنترل با استفاده از یک طرح معکوس مستقیم به کار می رود. در داخل مدل سیگنال ها از موقعیت های طرح می رسند و در خارج یک سیگنال کنترل مستقیماً به سمت اونگ معکوس می رود. مدل معکوس مستقیم به عنوان سیستم کنترل کننده بدون کنترل کننده خطی مورد استفاده قرار می گیرد. ]3[. آونگ معکوس دوبل توسط دینامیک های طرح مدل بندی می شود و از یک مدل معکوس مستقیم استفاده می کند. این مدل رشته ای به عنوان مدل مرجع در یک طرح کنترل سازگار مستقیم به کار برده خواهد شد. ]2[. این طرح در شکل 2 نشان داده شده است و به ما کمک می کند که نرو کنترل کننده را بسازیم. در این طرح نشانه بیرونی توسط بیرون مدل مرجع تعیین می شود که اجازه می دهد سیگنال کنترل در یک روش ثابت همان طور که طرح های علامت گذاری شده خارجی از خارج مدل مرجع نشانه گرفته اند تطابق به وجود بیاورد. ]4[. اجزاء این آلگوریتم بستگی به یک مدل مرجع مناسب و ریشه گیری از یک مکانیسم یادگیری اختصاصی دارد.
شبکه ها با آلگوریتم Levenberg-Marquardt برای درست کردن هر دو سیستم تعریف شده و کنترل کننده تعیین شده ای راکه نتیجه یادگیری درست آن به عنوان عامل مقایسه ای بعد از تکثیر آن یا بعد از تکثیر با تکانه حرکت و درجه سازگاری می باشد به کار برده شده است. در تکنیک CMAC یک عامل کششی در تعیین آن در مورد نرم افزار برای تعیین زمان و زمان واقعی عملکرد آن وجود دارد. مدل گیری و ساخت CMAC و کاربرد آن در طرح نشان داده می شود.
مدل طرح: سیستم آونگ معکوس یک نوعی از سیستم غیرخطی (طولی) دینامیک می باشد، این چنین سیستم هایی در شکل 3 نشان داده شده اند. برای این آزمایشات اولیه، آونگ معکوس ساده (شکل a3) به عنوان طرح مورد استفاده قرار میگیرد و ما آن را به سمت کنترل آونگ دوبل معکوس در مرحله بعدی حرکت می دهیم. یک جایگاهی برای ایجاد یک مدل طرح به وجود می آید. سپس یک کنترل کننده طراحی می شود و این کار با استفاده از تکنیک طراحی جایگذاری میله به اجرا درمی آید. طرح در مراحل تعیین یک سیستم با موقعیت میله فرموله می شود. کنترل کننده یک سیگنال کنترلی را ایجاد می کند که قصد داریم در مورد آونگ معکوس آن را به کار ببریم و از آن به منظور کنترل باز و در موقعیت قائم استفاده کنیم.
عبارات مدل آونگ معکوس عبارتند از
(1 (2
استفاده از حل Ackerman برای موقعیت میله با و و و می باشد
عبارت سیستم کنترل عبارت است از
(3
با کنترل قدرت برابر مساوی است با :

طرح دوم: در این تحقیق ما ]9[ PendubotTM را که روشی مکانیکی برای استفاده در کنترل تحصیلات مهندسی و برای تحقیق در کنترل غیرخطی و ربات ها به کار می رود را بیان کنیم. این روش رباط طراحی شده 2 پیوندی با یک به حرکت درآورنده در شانه امانه در آرنج های رباط می باشد. با این سیستم تعدادی از بخش های بنیادی در دینامیک های غیرخطی و تئوری کنترل ممکنه توضیح داده شود. سیستم های مکانیکی آویزی همچون آونگ معکوس قبلا استفاده می شدند. ما طرح و کنترل PendubotTM، یک دوپیوندی، مکانیسم رباتیک به حرکت درآورنده که ما برای تحقیق در کنترل غیرخطی استفاده می شود را بیان خواهیم کرد تا در بخش های متفاوت در دینامیک های غیرطولی، رباتیک ها و طراحی سیستم کنترل به دانش آموزان آموزش بدهیم. PendubotTM شامل دو پیوند آلومینیومی سخت و محکم به طول 9 و 6 می باشد. رابط 1 مستقیما با میله یک مغناطیس با دوام V90 در موتور DC در قمست دهانه به انتهای یک صفحه جفت می شود. دهانه موتور برای ساخت سیستم به ما کمک می کند. رابط 1 شامل محفظه ای می باشد که دو اتصال دارد. چرخاننده محور به سمت زمینه محوری که برای ساختن چرخش اتصالات برای رابط 2 نیاز می باشد حرکت می کند. محور در بیرون دو سوی مستقیم محفظه جفت شده به رابط دوم و به یک دهانه رمزی اپتیکال در رابط اول توسعه و بسط پیدا می کند. طرح به هر دو رابط 360 درجه حرکت دورانی می دهد. رابط 2 از یک آلومینیوم به ضخامت 4/1 اینچ و با یک جفت که به اتصال دوم میله وصل است ساخته می شود.

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله   13 صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

انتخاب بهترین پارامترهای شبکه عصبی (ANN) به منظور تخمین داده های بارش ماهانه

اختصاصی از فی بوو انتخاب بهترین پارامترهای شبکه عصبی (ANN) به منظور تخمین داده های بارش ماهانه دانلود با لینک مستقیم و پر سرعت .

• مقاله با عنوان: انتخاب بهترین پارامترهای شبکه عصبی (ANN) به منظور تخمین داده های بارش ماهانه  

• نویسندگان: حامد مازندرانی زاده ، پیمان دانش کار آراسته ، معصومه السادات هاشمی طامه  

• محل انتشار: دهمین کنگره بین المللی مهندسی عمران - دانشگاه تبریز - 15 تا 17 اردیبهشت 94  

• فرمت فایل: PDF و شامل 7 صفحه می باشد.

چکیــــده:

بارندگی یکی از اجزای اصلی چرخه ی هیدرولوژی است. اندازه گیری نقطه ای بارندگی، عدم پراکنش مناسب ایستگاه های هواشناسی و همچنین عدم دسترسی به برخی مناطق برای اندازه گیری باعث پیدایش روش هایی برای برآورد داده های معتبر در مناطق فاقد آمار شده است. شبکه عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدلسازی سیستم پیچیده و غیرخطی قابلیت بسیار بالایی از خود نشان داده است. برای این منظور پژوهشی در استان قزوین در 36 ایستگاه هواشناسی در 6 سال آماری انجام شد. سپس با استفاده از مقادیر بارندگی به عنوان خروجی هدف، شبکه های مختلفی با ساختارهای متفاوت تعریف و آموزش داده شد. 20% داده ها به طور تصادفی برای ارزیابی شبکه ها استفاده شد. در نهایت داده های پیش بینی شده توسط شبکه های مختلف با شاخص آماری میانگین انحراف خطا (MBE)، مجموع مربعات خطا (SSE) و ضریب همبستگی (R2) مقایسه شد.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **