جستجو در تالارهای گفتگو
در حال نمایش نتایج برای برچسب های 'شبکه عصبی مصنوعی'.
2 نتیجه پیدا شد
-
آیا شبکه من به علت تعداد epoch های کم و نمودار خطای performance در آن افزایشی است مشکل دارد؟
rasoulrasoulrasoul پاسخی ارسال کرد برای یک موضوع در شبکه های عصبی
من در حال استفاده از یک feedforward backpropagation neural network می باشم، که داده های ورودی 12*304 و خروجی1*304 می باشد و از ابزار nntool استفاده می کنم، شبکه دولایه مخفی که توابع انتقال برای لایه اول لایه دوم و خروجی : به ترتیب logsig,logsig,tansig تعداد نورونها در هر لایه مخفی 8 از تابع آموزش trainlm استفاده می کنم تعداد epoch ها روی 3000 تنظیم شده است اما همواره پس از آموزش تعداد epoch ها کمتر از 8 می شود. چرا منحنی validation با افزایش تعداد epoch ها خطا زیاد می شود؟ (نمودار در شکل زیر)) -
کاربرد شبکه های عصبی مصنوعی در مدلسازی عملیات جدایش
a.namdar پاسخی ارسال کرد برای یک موضوع در مقالات فارسی مهندسی شیمی
نویسندگان: آیت ا.. درویشی، صمد بنیسی بهینه سازی، کنترل و ارزیابی عملیاتها و فرایندهای مختلف اغلب مستلزم در دست داشتن یک مدل دقیق، مناسب و همه جانبه از فرایند می‌باشد. برای ارائه چنین مدلی باید کلیه پارامترهای موثر در فرایند شناسایی و تاثیر همزمان این عوامل بر خروجی سیستم و بر یکدیگر بطور دقیق مشخص گردد. در رویارویی با روابط حاکم برآنها نیاز به تحقیقات و مطالعات وسیع در خصوی رفتار دینامیکی فرایند داشته و معمولا ماری وقت‌گیر می‌باشد. امروزه چندین روش جهت مدلسازی فرایندهای مختلف وجود دارد که هرکدام مزایا و معایب خاص خود را دارا می‌باشد. شبکه های عصبی مصنوعی بمنظور مدلسازی و شبیه سازی فرایندهای مختلف مورد استفاده قرار گرفتند که نتایجی قابل قبول و در بسیاری موارد به مراتب دقیق‌تر از سایر روشهای مدلسازی را در پی داشته اند. در مقاله ضمن معرفی شبکه های عصبی، ساختمان آنها با توجه به شبکه پس از انتشار که بدون تردید متداوالترین و موفقترین مدل ارائه شده تا کنون می‌باشد، مورد بررسی قرار می‌گیرد. در ادامه توانائی شبکه‌های عصبی جهت استفاده در کاربرد‌های مختلف مهندسی توسط حل سه مثال مختلف مورد ارزیابی قرار گرفت. در این مثالها از شبکه های پس انتشار به ترتیب جهت مدلسازی رفتار یک تابع ریاضی درجه دو، تعیین حد جدایش هیدروسیکلون و مدلسازی یک کارحانه فلوتاسیون بمنظور تعیین عیار و بازیابی آن استفاده شده است. در هرمورد مقایسه نتایج بدست آمده از شبکه با جوابهای محاسباتی و یا اندازه گیری شده نشان داد که مدل ارائه شده از دقت بالایی برخوردار می‌باشد. هدف نهایی این بررسی تشویق مهندسین صنایع فراوری مواد معدنی جهت استفاده از شبکه‌های عصبی در کنترل و بهینه سازی فرایندهای مربوطه می‌باشد. پسورد: [Hidden Content] 113.rar
