منابع پایان نامه درباره پردازش اطلاعات، توسعه مدل

دانلود پایان نامه

شد]33[
موقرنژاد ونیکزاد (2007) فرآیند خشک کردن گوجه فرنگی در یک خشک کن سینی دار را توسط شبکه های عصبی مصنوعی با سه ورودی توان گرم کننده ،سرعت جریان هوا وزمان خشک کردن و یک خروجی (نسبت رطوبت گوجه فرنگی خشک شده )مدل سازی نمودند.
نتایج نشان داد که کمترین خطا با در نظر گرفتن یک لایه پنهان و چهار نرون حاصل میشود. مقایسه مدل شبکه های عصبی مصنوعی با مدل های تجربی نشان داد که شبکه های عصبی مصنوعی نسبت به مدل های تجربی ،رفتار خشک شدن گوجه فرنگی رابا دقت بالاتری پیش بینی می کند . هم چنین این محققین بیان نمودند که شبکه های عصبی مصنوعی قادر به توصیف ویژگی های خشک کردن در دامنه ی گسترده ای از شرایط مختلف آزمایش می باشد ،در صورتی که مدل های تجربی فقط قادر به توصیف این ویژگی ها در شرایط آزمایشی محدود هستند .]22[
محمد شریفی و همکاران سینتیک خشک شدن بستر نازک پرتغال رقم تامسون را با استفاده از شبکه های عصبی مصنوعی شبیه سازی کردند .برای این منظور از خشک کن آزمایشگاهی استفاده گردید.توده بستر نازک ورقهای پرتغال با پنج دمای 40،50،60،70و80درجه سانتیگراد وسه سرعت هوای 5/0، 1و2 متر بر ثانیه خشک شد.رطوبت اولیه پرتغال در طی آزمایش 4/5تا 7/5 (gr/gr)بر پایه خشک بود .جرم توده بستر نازک در طی خشک کردن هر پنج ثانیه یکبار توسط ترازوی دیجیتال متصل به رایانه اندازه گیری وثبت گردید .از شبکه پس انتشار پیشخوربا الگوریتم های یادگیری مومنتوم ولونبرگ- مارکوات برای آموزش الگوهای موجود استفاده شد .برای توسعه مدل های شبکه عصبی مصنوعی بردار ورودی شامل دما،سرعت هوا وزمان خشک شدن وبردار خروجی محتوای رطوبتی پرتغال درنظر گرفته شد.نتایج نشان دادکه شبکه پس انتشار پیشخور با توپولوژی 1-6-2برای ضخامت 2میلیمتری ورقه پرتغال ،1-7-2برای ضخامت 4 میلیمتری ورقه پرتغال 1-5-2 برای ضخامت 6 میلی متری ورقه پرتغال والگوریتم آموزش لونبرگ-مارکوات وراهبرد توابع یکسان برای تمام لایه ها (تانژانت سیگموئید) قادر است نسبت رطوبت را با ضرایب تبیین99906/0،99919/0و99930/0وخطای متوسط مطلق 000013/0،000012/0،/000009/0به ترتیب برای سه ضخامت 2،4و6میلی متری ورقه های پرتغال در شرایط مختلف خشک کردن پیش بینی کند .]7[
محسن مختاریان وفاطمه کوشکی پارامترهای خشک کردن گوجه فرنگی را با کمک شبکه های عصبی مصنوعی تخمین زدند.در این پژوهش ،خشک کردن لایه ی نازک گوجه فرنگی به روش جابجایی هوای داغ شبیه سازی گردید.اسلایس های گوجه فرنگی در دو دمای (60و70درجه سانتیگراد) خشک شدند . شبکه عصبی پرسپترون برای پیش بینی نسبت رطوبت و سرعت خشک کردن نمونه ها در طی خشک کردن بکار گرفته شد.بهترین چیدمان شبکه عصبی برای شبکه اول براساس یک لایه پنهان،2و8نرون در لایه پنهان به ترتیب برای نسبت رطوبت و آهنگ خشک کردن بود.همچنین بهترین چیرمان شبکه عصبی دوم بر اساس یک لایه پنهان ،11نرون برای نسبت رطوبت و آهنگ خشک کردن بود.به طور کلی نتایج نشان داد که شبکه عصبی با آرایش دوم نتایج بهتری رادرپیش بینی پارامترهای خشک کردن گوجه فرنگی ارائه نمود ]8[
امیر یوسفی ومحبی انتقال جرم طی فرآیند خشک کردن اسمزی سیب زمینی با استفاده از شبکه عصبی مصنوعی را مدل سازی کردند .خشک کردن اسمزی به عنوان یک روش فرآوری کمینه طی دهه های گذشته اهمیت بسیاری یافته است .این فرآیند مستلزم انتقال جرم می باشد که با روشهای مختلف عمدتاً مبتنی بر قانون Fickمدل سازی می شود .در این پژوهش ،فرآیند مدل سازی با به دست آوردن داده های تجربی درصد جذب مواد، میزان از دست دادن رطوبت و درصدرطوبت در محصول در غلظت های مختلف محلول اسمزی (5،10و15%)،دمای غوطه وری (30،40و60درجه سانتیگراد )،نسبت سیب زمینی به محلول اسمزی(1:6،1:8و1:10)ومدت رمان غوطه وری (1، 2، 3 و 4ساعت)انجام شد.جهت مدل سازی از شبکه عصبی مصنوعی ((ANNاستفاده شد و نتایج حاکی از قدرت بالای مدل در پیش بینی خروجی های سیستم بود که می تواند برای بهینه سازی شرایط خشک کردن اسمزی مورداستفاده قرارگیرد]9[
ککمک و یلدیز (2011)23پیش بینی سرعت خشک کردن انگور دانه دار با استفاده از روش شبکه عصبی.این مقاله که یک برنامه کاربردی را ارائه می دهد با استفاده ازشبکه های عصبی پیشخور ،رفتار غیرخطی خشک شدن انگور دانه دار را مدلسازی می کند .نخست نوع جدیدی از خشک کن برای ارزیابی تجربی وسینتیک خشک کردن لایه ی نازک انگور دانه دار توسعه یافته است .در مرحله بعد،نرخ خشک شدن به صورت یک معادله ی نمایی با استفاده از تجزیه و تحلیل رگرسیون غیرخطی تخمین زده شد./در مرحله سوم ،نرخ خشک شدن انگور دانه دار با استفاده از یک شبکه عصبی مصنوعی تخمین زده می شود .در پایان ،عملکرد مدل FNN با نتایج به دست آمده از مدل رگرسیون خطی وغیرخطی بااستفاده ازمجذورخطای مربعات میانگین،خطای مطلق میانگین و ضریب هم بستگی مقایسه شد .نتایج نشان می دهند که مدلFNN دقیق تر است و از روش بکار گرفته شده در برآورد نرخ خشک کردن انگورمؤثرتر است . [21]
فارکاس و همکاران (2000)برای پیش بینی توزیع رطوبت گندم در یک خشک کن ویافتن بهترین شبکه ی عصبی مصنوعی برای پیش بینی آن]34[،اسلام وهمکاران (2003)برای پیش بینی نرخ خشک کردن قطعات سیب زمینی ]30[،کوبیلوس و ریز (2003)برای پیش بینی میزان رطوبت خروجی در فرآیند خشک کردن هویچ]35[، زی و زیونگ (1999)برای پیش بینی خواص مکانیکی نخود پس از پختن آن ]36[.ارنترک (2007)بررسی آزمایشگاهی سینتیک خشک کردن لایه نازک هویچ و مطالعه تطبیقی بین تجزیه و تحلیل رگرسیون و الگوریتم ژنتیک بر اساس
بهینه سازی انجام دادند وFNN برای تخمین زدن رفتار دینامیکی خشک شدن هویچ در نظر گرفته شد .]37 [،مارتینگو ویانگ (2006)برای تعیین آهنگ خشک کردن ریشه ی درخت جنسه]38[، پونوی و همکاران (2006و2007)برای پیش بینی نسبت رطوبت قارچ و پیش بینی دما و رطوبت ورقه های نازک گوجه فرنگی در یک خشک کن میکروویوخلائی]39،40[.زیبینسکی و همکاران برای مدل سازی فرآیند تبخیر رطوبت در یک خشک کن بستر سیال از شبکه های عصبی مصنوعی استفاده کردند.]41[
کومار و همکاران24(2009)پیش بینی دمایتکه های استوانه ای سیب زمینی در طی فرآیند خشک کردن خورشیدی با آزمایش کردن ساختارهای مختلف مدل FNNتعیین کردند.]42[
لیو وهمکاران 25میزان رطوبت را در فرآیند خشک کردن گندم با درنظر گرفتن دمای هوا ورودی،دمای گندم و میزان رطوبت اولیه به وسیله یک شبکه عصبی پیش بینی کردند.ساختار بهینه شبکه به وسیله الگوریتم ژنتیک تعیین شده بود.]43[

مطلب مشابه :  منابع و ماخذ پایان نامهگندم و برنج

فصل سوم

مدلسازی باشبکه های
عصبی مصنوعی

3-1مقدمه
در این فصل روشی را که با آن مدلسازی انجام دادیم شرح می دهیم . یکی از مهم ترین ویژگیهای شبکه ی عصبی مصنوعی که عملکرد آن را به انسان نزدیک تر می کند قدرت یادگیری است . شبکه های عصبی برای یادگیری به جای دنبال کردن مجموعه هایی ازقواعد تعریف شده توسط انسان متخصص،از قواعد مبنایی(مانند روابط ورودی،خروجی)استفاده می کنند که این یکی از مهم ترین مزایای شبکه ی عصبی نسبت به سیستم های سنتی است . ]10[مدلسازی بااستفاده ازشبکه عصبی سریعترازمدلسازی ریاضی (با استفاده از معادلات گوناگون)است. برای شروع کاربا شبکه عصبی باید داده ها رابه دو دسته تقسیم کنیم ،دسته ای رابرای آموزش به شبکه ودسته دیگر برای تست انتخاب می شوند .
با استفاده از ابزارهای نرم افزار MATLAB به نام Neural Network Toolboxداده های ورودی وخروجی را وارد می کنیم و از دو نوع شبکه ی عصبی مصنوعی پیش خور و پیشرواستفاده کردیم.هدف ما نشان دادن توانایی مدل هایANN در توصیف رفتار خشک شدن چای درشرایط عملیاتی متفاوت است .
3-2تاریخچه پیدایش شبکه های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها سعی کردند سامانه یادگیری وتجزیه و تحلیل مغزرا کشف کنند وازسوی دیگرریاضیدانان تلاش کردند تا مدلی ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.
وارن مک کلاچ و والتر پیتز26(1943) در اوایل دهه 40 شبکه هایی را طراحی کردند که به طور کلی به عنوان اولین شبکه های عصبی شناخته می شوند.این محققان دریافتند که ترکیب تعداد زیادی نرون ساده درسیستم های عصبی ، منبع افزایش قدرت محاسباتی است.درچنین شبکه هایی وزنهای نرونهاطوری تنظیم می شوند که هرنرون نقش یک واحد منطقی ساده رااجرا نمایدونرون های مختلف نقش های مختلف اجرا کنند .چنین نرون هایی را می توان در یک شبکه قرارداد تابتواند هرخروجی راکه نشانگرترکیبی ازتوابع منطقی باشد ،تولید کند.جریان اطلاعات دردرون شبکه برای انتقال از نرونی به نرون بعدی ،یک مرحله زمانی برای سیگنال انتقالی ایجادمی کندکه این تأخیر زمانی به شبکه اجازه می دهد برخی از فرآیندهای فیزیولوژیکی مانند احساس گرما، سرما رامدل سازی کند .این مجموعه قادر است بدون هیچ دانش قبلی ،ارتباط ذاتی موجود میان داده های مسأله را کشف و در خود حفظ کند .
این مدل، فرضیه‌هایی در مورد عملکرد نرون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها وایجاد خروجی است.چنانچه حاصل جمع ورودی‌هااز مقدارآستانه بیشتر باشداصطلاحاًنرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌ عصبی تأثیر داشتند.در سال ???? فرانک روزنبلات27 وچندمحقق دیگر،گروه بزرگی ازشبکه های عصبی رابانام شبکه های پرسپترون ارائه و گسترش دادند . متداول ترین شبکه پرسپترون،متشکل از یک لایه ورودی (معادل شبکیه چشم )بود که بامسیرهایی باوزن هایی به نرون های پیونددهنده متصل می شدووزنهای مسیرهای اتصال قابل تنظیم بودند.قانون یادگیری پرسپترون از روشی تکرار شونده برای تنظیم وزن استفاده می کند.اگر وزن هایی برای جواب مسئله مورد نظر وجود داشته باشد ،آنگاه می توان ثابت کرد که یادگیری پرسپترون به وزن های صحیح همگرا می شود ،یعنی این قانون یادگیری ،این امکان را به شبکه می دهد که تمام جفت های ورودی آموزش و خروجی هدف را دوباره به طور صحیح تولید کند .
در سال ???? میسکی و پاپرت28 کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات درزمینه شبیه سازی شبکه‌های عصبی بود .آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسأله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی وسرمایه گذاری‌های موجود به حداقل خود رسیده بود،برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند . ورباس29 در سال ???? شیوه آموزش پس انتشارخطا30را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.]2[
شبکه ی عصبی مصنوعی یک سیستم پردازش اطلاعات است که دارای ویژگی های مشترکی با شبکه ه
ای عصبی طبیعی است.روشی برای تعیین وزن های روی پیوندهای شبکه وجود دارد که آن را الگوریتم آموزش یا یادگیری می نامند .
الگوریتم بکاررفته برای بهنگام سازی وزن های شبکه ،الگوریتم لونبرگ -مارکوارت است که پرکاربردترین الگوریتم آموزش است .این الگوریتم به شبکه اجازه می دهدتا با دقت بیش تری آموزش ببیند.ازآنجا که برای آموزش شبکه عصبی باالگوریتم لونبرگ – مارکوارت ،محاسبات به طور موازی انجام می شود این الگوریتم جزءسریعترین روشها برای آموزش شبکه عصبی محسوب میشود.
درتعیین تعدادلایه ها ،واحدهای ورودی به عنوان یک لایه شمرده نمی شوند ،زیرا هیچ محاسبه ای را انجام نمی دهند ، زیراگره های آن وزن ورودی ندارد .به واحدهای میانی بین لایه ی ورودی وخروجی اصطلاحاً، واحدهای مخفی (پنهان) گفته می شود معمولاً در بین هر دو سطح همجوار متشکل از واحدها (ورودی ،مخفی و خروجی )یک لایه از وزن ها قرار دارد.
(یک دور)31معادل یک بار ارائه کل بردارهای آموزش است . برای آموزش شبکه ی عصبی پس انتشار معمولاً دورهای زیادی لازم است .[2]
تعداد دورهای یادگیری 1000 دورقرارداده شده است.تعدادچرخه آموزش ،تعدادنرون ها و تعدادلایه های پنهان درطی فرآیند آموزش شبکه عصبی ازطریق روش آزمون وخطا تعیین می شود .

مطلب مشابه :  منبع پایان نامه با موضوعآموزش از راه دور، ضمن خدمت

3-3مزایای استفاده از شبکه های عصبی
شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد:
یادگیری تطبیقی: توانایی یادگیری، اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد ،در واقع اصلاح شبکه را گویند.

خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی می شود و داده‌هایی که در طول آموزش دریافت کرده را ارائه میدهد.نرون‌ها با قاعدهء یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.

عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به صورت موازی و به وسیله سخت ‌افزارهای مخصوصی که طراحی وساخت آنبرای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود.

تحمل خطا: با ایجاد خطا در شبکه ، مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.

دسته بندی:شبکه‌های عصبیقادربه دسته بندی ورودیها‌ برای دریافت خروجی مناسب می‌باشند.

تعمیم دهی: این خاصیت ،شبکه راقادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه یک قانون کلی ازآن رابه دست آورد ونتایج این آموخته‌ها رابه موارد مشاهده آن نیزتعمیم دهد.توانایی که در صورت نبود آن،سامانه بایدبی نهایت واقعیت‌وروابط را به خاطربسپارد.

پایداری-انعطاف پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.]11[

3-4 پیش بینی خشک کردن چای با استفاده از شبکه عصبی مصنوعی(ANN)
یکی از مهم ترین کاربردهای شبکه های عصبی مصنوعی، آموزش و پیش بینی خروجی باداده های

Author: mitra2--javid

دیدگاهتان را بنویسید