کاربرد شبکه عصبی مصنوعی

کاربرد شبکه عصبی مصنوعی

اسلاید 1: به نام خداعنوان مقاله: کاربرد شبکه های عصبی

اسلاید 2: چکیدهشبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است.این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.

اسلاید 3: کاربردبا استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نورون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.این شبکه‌ها برای تخمین و تقریب، کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضانوردی را نام برد.اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرایند آموزش شبکه تعیین نمودن وزن هر یال وbase اولیهٔ خواهد بود.

اسلاید 4: برخی کاربرد هاالگوی کشت براورد بارشپیش بینی وقوع آتش سوزیآلودگی هواکیفیت مواد غذاییپهنه بندی زمین لرزهسطح پوشش جنگل هاخشکسالیبیابان زاییپتانسیل کشت

اسلاید 5: الگوی کشتيکي از مهم ترين مسايل پيش روي کشاورزي فارياب، تدوين الگوي کشت بهينه مي باشد. در اين راستا تخمين پارامترهاي موثر بر کميت و کيفيت آب قابل دسترس به عنوان يکي از مولفه هاي حايز اهميت در اتخاذ تصميمات مديريتي در پيشرفت و توسعه کشاورزي پايدار امري ضروري است. در اين مطالعه از تکنيک شبکه هاي عصبي مصنوعي براي تخمين سطح آب چاه هاي پيزومتري و همچنين عوامل موثر بر کيفيت آب EC ,SAR)  )مورد استفاده براي کشاورزي بهره گرفته شده است.

اسلاید 6: برآورد بارشپیش بینی بارش، به عنوان یکی از مهمترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژه ای برخوردار است. از اینرو امروزه محققین با ابداع روشهای مستقل از مدل های دینامیکی سیستم، در جستجوی راه هایی بهمنظور شناخت و پیش بینی بهتر متغیرهای مهم هواشناسی از جمله بارش می باشند. یکی از این روش ها، شبکه های عصبی مصنوعی است که از مولفه های هوش مصنوعی محسوب می شود. در این پژوهش، به منظور پیش بینی بارش از داده های ایستگاه سینوپتیک سنندج در مقیاس ماهانه و در دوره آماری (1393-1350) انجام شده است. همچنین به دلیل رفتار غیرخطی بارش، از شبکه های عصبی مصنوعی جهت پیش بینی آن بهره گرفته شد. برای به کارگیری شبکه عصبی، 70 درصد داده ها جهت آموزش شبکه و 30 درصد داده ها نیز برای آزمون و اعتبارسنجی درنظر گرفته شد. در نهایت با انجام آزمون شبکه با لایه های پنهان و ضریب های یادگیری مختلف، مشخص گردید که استفاده از شبکه عصبی مصنوعی پرسپترون با دو لایه پنهان و ضریب آموزش (یادگیری) 0/6 نسبت با دیگر حالت ها و ساختار شبکه عملکرد بهتری را برای پیش بینی دارد. به منظور اطمینان از درستی مقادیر پیش بینی، از آماره های ضریب تبیین و میانگین ریشه مربعات خطا ( RMSE) استفاده شد که مقادیر آنها به ترتیب برابر با 0/97 و 0/072 می باشد.