کاربرد شبکه عصبی مصنوعی

صفحه 1:
به نام خدا عنوان مقاله: کاربرد شبکه های عصبی 

صفحه 2:
" شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی ‎Artificial)‏ ‏۱۱ - ۱۱6۷/۵۲۲5 ا۲۵باع!۱) يا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای بادگیری ماشینی, نمایش دانش و در انتها ات ۱ 1 امه در جهت بیش‌بینی پاسخ‌های خروجی از ۲ ۱ ۰ ۱ اضای این گونه شبکه‌ها تا حدودی الهام‌گرفته از شيوة کارکرد سبستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به 1 0 0 ان بان عنصر کلیدی این ایده. ایجاد ساختارهایی جدید برای سامانة بردازش اطلاعات است. * اين سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و ‎eases‏ یارس ها زار باطات الکترومعناطیسی) اطلاعات را منتقل می‌کنند. در ۴ 1۱و[ آنتین ند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده وب در بازسازی آن سهیم باشند. اين شبكدها قادر به يادكيرىاند. مثلاً ازاز ۰ لول هاى عصبى لامسه, سلولها يادمىكيرند كه به طرف جسم داغ نروند و با اين الكوريتم سيستم می‌آموزد که خطای خود را اصلاح كند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد. یعنی 1 1 آل ‎only luca fy oi‏ گونه‌ای تغیبر می‌کند که در صورت دزن ور هی کید سیستم پاسخ درستی تولید کند: 

صفحه 3:
کاربرد * با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نورون عمل نماید. سپس با ایجاد شبکه‌ای از اين نورون‌های مصنوعی به هم پیوسته, ایجاد یک الگوریتم آموزشی برای شبکه و اعمال اين الگوریتم به شبکه ‎ol‏ را آموزش داد. * این شبکه‌ها برای تخمین و تقریب, کارایی بسیار بالایی از خود ‎٠١1 1‏ کر کاربرد اين مدل‌های رباضی بر گرفته از عملکرد مغز انسان, بسیار وسبع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از اين 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 ‎Jb sa cise chee) pias oe‏ ۲266۵ اولية خه‌اهد نود 

صفحه 4:
برخی کاربرد ها ۰ الگوی کشت * براورد بارش 1 © پیش بینی وقوع آتش سوزی ۰ آلودگی هوا © کیفیت مواد غذایی " پهنه بندی زمین لرزه - سطح پوشش جنگل ها ۰ حشکسالی * بیابان زایی 

صفحه 5:
الگوی کشت * يكي از مهم ترین مسایل پیش روي كشاورزي فاریاب. تدوین الگوي کشت بهینه مي باشد. در این راستا تخمین پارامترهاي موثر بر کمیت و کیفیت آب قابل دسترس به عنوان يكي از مولفه هاي حایز اهمیت در اتخاذ تصمیمات مديريتي در پیشرفت و توسعه كشاورزي پایدار امري ضروري است. در اين مطالعه از تکنیک شبکه هاي عصبي مصنوعي براي تخمین سطح آب چاه هاي پيزومتري و همچنین عوامل موثر بر کیفیت آب ۶,5۸۳۴) )مورد استفاده براي كشاورزي بهره گرفته شده است. 

صفحه 6:
برآورد بارش * پیش بینی بارش, به عنوان یکی از مهمترین متغیرهای اقلیمی در حوزه ‎tes‏ ات یره اه برخوردار است. از اینرو امزوزه محققین با ابداع روشهای مستقل از مدل های دینامیکی سیستم, در 10 1 0015 .لد لششاخت و بيش بينى بهتر متفیرهای مهم ۲ ۲ ان مى باشند. يكى از اين روش هاء شبكه هاق 0007 1000353 5 ] مولعههاى هوش مصنوعى محسوب مى شود. در اين پژوهش, به منظور پیش بینی بارش از داده های ایستگاه سینویتیک سنندج در مقیاس ماهانه و در دوره آماری (1350-1393) انجام 1 ان به دابل رفتار غبرخطی بارش, از شبکه های عضبی اس 3 ل سلس أن بهره گرفته شد. برای ‎ay‏ کارگیری شبکه دسل ها خبت آموزش شبکه و 30 درصد داده ها نیز برای آزمون و اعتبارسنجی درنظر گرفته شد. در نهایت با انجام آزمون 7 ل ارا رب هاف بادكدرى مختلف, مشخص كرديدكه ال 1 لحان مسزوعى _رسبترون با دولايه ينهان و ضريب آموزش (بادگیری) 0/6 نسبت با دیگر حالت ها و ساختار شبكه عملكرد ‎ei ete I ite‏ 0 نار ‎a)‏ منظور اظمینان از درستی مقادیر پیش ی زاره فا رب تس و مباتگین ريشه مربعات خطا ( ‎(RMSE‏ ‎os laa‏ ۱ ترتیب برابر با 0/97 و 0/072 می باشد. 

صفحه 7:
پیش بینی وقوع آتش سوزی سب های ی ‎el‏ ساختار عصبی معز انسان, قابلیت پزدازش اطلاعات .ساد ۲ ۱ سرعت ودقت قابل قبولی دارند و با آموزش هدفمند آ وا میوان با اعمال یک ورودی خاص, پاسخ مورد نظر را دریافت نمود. باتوجه به این امر, در مقاله حاضر, طراحی شبکهای جستجو میشود که در امر مدیریت بحران بتوان از آن بهره برد. به این منظور خطر آتش سوزی در مراکز تجاری, مورد مطالعه قرار گرفته است و با بررسی نمونه حوادث رخ داده شده در ایناجاک, ابتدا معیارهای موْثز بر میزان خسارات کالبدی ناشی از آتشسوزی در 5 0 و و۱ سا انی تاسیسات وتجهیزات, شرایط محیطی, امکانات پاسخگویی و مقابله با حادثه و ویژگیهای رفتاری افراد. طبقه بندی گردیدهاند و ها و ی ور گدام بزرشی شده انذ. به اين ترتيب با تهيه يك جك ليست ‎٠ ١ 3007‏ سار در هرواحد تجارى كه اتشسوزى در آن رخ داده است و همجنين كمى نمودن میزان خسارات پس از اين واقعه در همان واحد. می توان ‎١ asia‏ 1 راف طراحى شبکه و آموزش آن تهیه نمود. در مقا ال تك ۰ ۳ د لایه پيشنهاد گردیده و با استفاده از نمودار تورنادو میزان حساسیت هر معیار در برابر آتشسوزی مورد بررسی قرار گرفته است. بنابراین میتوان با وارد کردن امتیازات وضع موجود هر واحدتجاری در زمینه معیارهای تعریف شده در مدل پیشنهادی, سطح خسارات احتمالی ناشی از آتشسوزی را پیشبینی نموده و با در نظر داشتن عواملی که نقش مهمتری در 1 كا ۱ تین و آولوشبندی اقدامات به منظور کاهش ری قم رحرانها و مابله مناسب با آنها برداخت: 

صفحه 8:
لش نی علطظت آلاینده منوکسید کربن " آلاینده های هوا بر روی سلامت عمومی, اقتصاد. مسائل اجتماعی, سیاست, کشاورزی و محیط زیست تاثیر می گذارد. هدف از اين مطالعه ارزیابی توانایی الگوریتم شبکه عصبی مصنوعی ۸۱ در پیش بینی معیارهای ساعتی غلظت آلاینده های مختلف هوا برای اهواز در بازه زمانی آگوست 2002 تا آگوست 0 بود. شهر اهواز به عنوان یکی از آلوده ترین شهرهای جهان شناخته می شود که عمدتا به دلیل طوفان گردوغبار است. الگوریتم به کار رفته شامل نه عامل در مرحله ورودی (پنج پارامتر هواشناسی, غلظت آلاینده 3 و 6 ساعته, زمان و تاریخ, 30 نورون در مرحله پنهان و سرانجام یک خروجی در آخرین سطح بود. 5 و 10 از دادههای موجود برای مراحل اعتبار سنجی و آزمایش استفاده شد. برای هر شش معیار آلاینده بررسی شده شامل , 10۴14 , 2010 , 30 0 2.5۳۲ و 00 در چهار سایت, ضريب همبستگی 28 و مقادیر خطای میانگین مربعات ريشه (8۱۷5۶)) هنگام مقایسه مقادیر پیش بینی ها و اندازه گیری ها به ترتیب 0/87 و 59/9 بود. اين مطالعه نشان می دهد که ۸۱۱۱۱ در شهرهایی مانند اهواز برای پیش بینی کیفیت هوا با هدف جلوگیری از اثرات سلامتی کاربرد دارد. نتیجه می گیریم که مسئولان کیفیت هوای شهری, مقامات و تصمیم گیرندگان می توانند از ۵۷۲۷ برای برآورد مشخصات مکانی و مکانی آلاینده ها و کیفیت هوا استفاده کنند. مدل های آماری به مدیران امکان می دهد تا یک ابزار مناسب برای تصمیم گیری بهتر در زمینه کیفیت هوای شهری را انتخاب کنند 

صفحه 9:
کیفیت مواد غذایی یر تار برد شبکه های عصبی مصنوعی در ارزیابی كيفيت غذا مى باشد. شبکه ی عصبی یک تکنیک پردازش اطلاعات مبتنی بر روش سیستم های عصبی بیولوژیکی مانند مغز است. مفهوم بنیادی 1 ها با ار سيستم پردازش اطلاعات است که از تعداد زیادی واحدهای پردازشی (نورون ) مرتبط با شبکه ها تشکیل شده ‎vail‏ ‏روش پژوهش: در این تحقیق کاربرد شبکه های عصبی مصنوعی در صنعت غذا و در مواردی چون خشک کردن محصولات مختلف, پیشگویی 5 رگ و کقبت محصولات غذاین در طی ل جرم در طی آبگیری اسمزی, پیش بینی ل وب محصولات مفتلف طی فرآوری و تخمین محتوای رطوبتی و سایر ترکیبات مواد غذایی مورد بررسی قرار می گیرد.نتیجه گیری کلی: امروزه افزايش جمعیت و محدودیت منایع طبیعی ی کل حهانی به نام بحران غذا شده است. تولید و فراوری محصولات کشاورزی با روش های سنتی بازدهی کمی دارد و مقرون به صرفه نیست. بنابراین استفاده از فناوریهای نوین در تولید و ‎sie‏ ای آفری احتناب ناپذیر است. استفاده از شبکه های 2 ]8 20 نیت و ماندگاری مواد غذایی ابزاری مفید برای کاهش هزینه های مربوط به اين بخش می باشد. 

صفحه 10:
پهنه بندی زمین لرزه * حوضه ابریز کشوری در جنوب شرقی خرم اباد در استان لرستان قرار دارد. این حوضه از نظر تقسیم بندی ساخت ایران در زاگرس چین خورده قرار می گیرد. با توجه به نوع سازندهای زمین شناسی, وضعیت توپوگرافی و اقلیم آن. اين حوضه از پتانسیل لغزش زیادی برخوردار است و از نظر لغزشی ناپایدار است. در اين حقوق برای پهنه بندی خطر زمین لغزش در اين حوضه از روش شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا ‎telat‏ 15ت نآب به دست أمده از شبكه غصبی 2 ان 5:1 ساختار نهايى 9-11-1 براى بهنه بندى خطر زمين لغزش در اين حوضه است. بر اساس اين يهنه ‎sau‏ 23/18, 7/53, 6/49, 18/68, 43/47 درصد از مساحت منطقه به ترتیب در کلاس های خطر خیلی کم, کم, متوسط, زیاد و خیلی زیاد قرار گرفته است. 

صفحه 11:
خشكساا ی تال آبزار مناسبی برای مدیران و سياست كذاران خوزه هاى مختلف ازیت تا نا در نظز گرفتن این پیش بینی سیاست های آینده را در جهت بهیته نمودن هزینه ها طرح ریزی نموده و با اتخاذ راهکارهای پیشگیرانه خسارات ناشی از خشکضشالی های آتی بر بخش های آسیب پذیر جامعه را به حداقل ممکن برشانند. در اين مطالعه. از شاخص استانداردشده بارش ‎(SPI)‏ 9 روش شبکه عصبی مصنوعی برای شبیه سازی خشکسالی ها بهره پرفته شد . همجتین از آمار بازندکی انستگاه تبخیر سنجی ترشکلی واقع در شهرستان گنبد کاووس اشتان گلستان طی سال های 1354-87 استفاده گردید. بر اساس ار سستكى (), کمترین میانگین مریعات خطا (15۴) و میانگین خطای مطلق (۱/۵۶) مشخص گردید, شبکه عصبی با 7 نرون در لایه ورودی, 28 نرون با تابع فعالیت تانژانت هایپربولیک در لایه پنهان, یک نرون در لایه خروجی با تابع فعالیت خطی و همچنین, قانون یادگیری مومنتم در مقایسه با سایز شبکه های عصبی اجراشده, ارتباط با اطلاعات ورودی و خروجی را با دب بای شب سازی نموده و از عملکرد بهتری در توصیف رفتار تصادفی پدیده خشکسالی ایستگاه ترشکلی برخوردار است. شبکه منتخب برای پیش بینی خشکسالی در دوره 1388-93 مورد استفاده قرار گرفت؛ به گونه ای که مقادیر پیش بینی شده: وقوع خشکسالی های ملایم در این دوره را نشان دادند در مجموع نتایج شبیه سازی الگوهای شبکه عصبی مصنوعی نشان می دهند, این رو از دقت بالایی در ذوره های اولیه پیش بینی برخورداراست. 

صفحه 12:
بیابان زایی * یکی از مشکلات اصلی مناطق خشک و نیمه خشک حاکمیت پدیده بیابانزایی است. بتابراین. شناخت و پیش بینی عوامل موثر در پیشرفت پدیده بیابان زایی می تواند در مدیریت بهتر اين مناطق موثر واقع شود. هدف از اين تحقیق ارزیابی صحت مدل شبكه عصبی مصنوعی در پیش بینی روند بیابان زایی و انتخاب موثرترین معیار بیابان زایی در دشت دهلران با استفاده از مدل ایرانی ارزیابی وضعیت بیابان زایی (۱۳0۳۵) است. در اين روش دو معیار آب و اقلیم به عنوان عوامل موثر در بیابان زایی انتخاب شدند. برای معیار اقلیم سه شاخص بارش سالانه. شاخص 5۱ و تداوم خشک سالی و برای معیار آب پنج شاخص افت آب. نسبت جذب سدیم, کلر, هدایت الکتزیکی و کل مواد محلول در آب ارزیابی شد. با استفاده از مدل مذکور هر شاخص امتیازدهی شد. سپس با میانگین هندسی نقشه های معیار و شدت بیابان زایی در نرم افزار ۸۳26۱56۵93 برای دوره مورد نظر تهیه شد. در نهایت داده ها به شبکه عصبی مصنوعی جهت پیش بینی وارد شدند. نتایج نشان دهنده کارایی بالای مدل های شبکه عصبی مصنوعی در پیش بینی روند بیابان زایی بود به گونه ای که دقت شبکه بالای 80 درصد و میانگین مریعات خطا کمتر از یک بدست آمد. همین طور بر اساس نتایج بدست آمده برای دوره پیش بینی شده مهم ترین معیارهای احتمالی تاثیرگذار بر شدت ‎Olly‏ ‏زايبى منطقه به ترتیب معیارهای اقلیم و آب با متوسط وزنی 2 (متوسط زیر کلاس 1, 2 و ۰)3 84/1 (متوسط زير کلاس 1 و 2) رتبه بندی گردیدند. 

صفحه 13:
* رودخانهها مهمترین و متداولترین من ایع تأمین آب آشامیدنی,کشاورزی و صنعت به شمار می آیند و بعلت اینکه از بسترها و مناطق مختلفی می گذرند و در ارتباط مستقیم با محیط پیرامون خود هستند نوسانات کیفی زیادی دارند . ازایترو بررسی و پیش بینی تغییرات پارامترهای کیقی آب درطول یک رودخانه بای ستی مورد توجه قرار كيرد . جهت تحقق این امر, مدل های کیفیت آب متعددی در زمینه مدیریت و يفيت آب استفاده مى شود . از بین مدلهای موجود. امروزه مدلهاى شبكه ‎er‏ خر رف أند . شیکههای عصبی مصنوعی نوع ی سیستم هوشمند مصنوعی هستند که | ز روی سلولهای عصبی موجودات زنده شبیه سازی شدهاند ودر یادگیری, پردازش و ذخیره اطلاعات روش مغز انسان را تقليد مى کنند . به عبارت دیگر , شبکه های عصبی مصنوعی یک ساختار ریاضی هستند که ترکیبات غیر خطی چهت ارتباط بین ورودی ها و خروجی های سیستم را برقرار می سازند . مدلهای شبکه های عصبی مصنوعی می توانند با دقت قابل قبول تغییرات متغیر مورد نظر را پیش بینی نمایند . اين تحقیق بر روی رودخانه کارون, بزر" رودخانه کشور و با استفاده از پارامترهای اندازهگیری شده در ۴ ایستگاه موجود در طول رودخانه ( ایستگاههای پل شالو , ملائان ی - رامین, اهواز و فارسیات ) انجام شده است . بدین منظور روز سال, دبی , اشل سطح آب و دما ی آب اندازه گیری شده در ابن ايستكاهها به عنوان ورودیهای مدل در نظر گرفته شد و با استفاده از مدل شبکه عصبی, پارامترهای هدایت الکتریکی (86) , نسبت جذب سدیم (5۵8) و کل املاح محلول (۲125) اندازه گیری شده در ایستگاهها پیش بینی گردید . نتایج بدست آمده, توانایی بالای شبکه های عصبی مصنوعی را در پیش بینی کیفیت آب رودخانه کارون نشان داد . 

صفحه 14:
بايان