بررسی چالش های شبکه عصبی MLP و حل آن به کمک الگوریتم های تکاملی
دوره 5، شماره 51، مهر 1402، صفحات 42 - 53
نویسندگان : همایون موتمنی * و بهروز شکری فومشی
چکیده :
در این مقاله، شبکههای عصبی زیستی و مصنوعی و ساختارهای آنها معرفی گردیده و انواع شبکههای عصبی نشان داده میشود. تمرکز بیشتر بر روی پروسپترون و مشکلات یک نوع شبکه عصبی به نام پروسپترون چند لایه (MLP) میباشد، که برای حل مشکلات این روش از نوعی الگوریتم تکاملی جدید استفاده میشود؛ که آن الگوریتم، با نام الگوریتم بهینهسازی جنگل (FOA) معرفی می گردد. در اين مطالعه جهت مدلسازي قدرت تبخير جو ايستگاه تبريز، از شبكههاي عصبي مصنوعي بر پايه سه الگوريتم آموزشي (MLP)، ژنتیک و الگوريتم بهینهسازی جنگل استفاده شده است. ارزيابي و مقايسه نتايج اين مدلها براساس معيارهایي چون ضريب تعيين، ميانگين مربعات خطا و مجذور ميانگين مربعات خطا اتخاذ شده است. بر اساس مدل پیشنهادی ميتوان قدرت تبخير جو تبريز را با خطاي 0.12678 ميليمتر در ماه، براي سالهایي كه فاقد آمار تبخير هستند، پيشبيني نمود.
در این مقاله، شبکههای عصبی زیستی و مصنوعی و ساختارهای آنها معرفی گردیده و انواع شبکههای عصبی نشان داده میشود. تمرکز بیشتر بر روی پروسپترون و مشکلات یک نوع شبکه عصبی به نام پروسپترون چند لایه (MLP) میباشد، که برای حل مشکلات این روش از نوعی الگوریتم تکاملی جدید استفاده میشود؛ که آن الگوریتم، با نام الگوریتم بهینهسازی جنگل (FOA) معرفی می گردد. در اين مطالعه جهت مدلسازي قدرت تبخير جو ايستگاه تبريز، از شبكههاي عصبي مصنوعي بر پايه سه الگوريتم آموزشي (MLP)، ژنتیک و الگوريتم بهینهسازی جنگل استفاده شده است. ارزيابي و مقايسه نتايج اين مدلها براساس معيارهایي چون ضريب تعيين، ميانگين مربعات خطا و مجذور ميانگين مربعات خطا اتخاذ شده است. بر اساس مدل پیشنهادی ميتوان قدرت تبخير جو تبريز را با خطاي 0.12678 ميليمتر در ماه، براي سالهایي كه فاقد آمار تبخير هستند، پيشبيني نمود.
کلمات کلیدی :
شبكههاي عصبي مصنوعي، شبکههای عصبی تکاملی، الگوریتم بهینه سازی جنگل، پیشبینی میزان تبخیر
شبكههاي عصبي مصنوعي، شبکههای عصبی تکاملی، الگوریتم بهینه سازی جنگل، پیشبینی میزان تبخیر
مشاهده مقاله
320
دانلود
0
تاریخ دریافت
۲۹ خرداد ۱۴۰۲
تاریخ ریوایز
۲۱ مرداد ۱۴۰۲
تاریخ پذیرش
۲۸ مهر ۱۴۰۲