پیش بینی عملکرد فرایندهای تولیدی بااستفاده از رگرسیون لجستیک و شبکه عصبی مصنوعی (مورد کاوی: فرایند افشانه ی خشک کننده کاشی سرامیکی)

Authors

هاشم محلوجی

دانشکده مهندسی صنایع- دانشگاه صنعتی شریف نجمه نشاط

دانشکده مهندسی صنایع- دانشگاه صنعتی شریف

abstract

در این نوشتار با ارائه ی نمونه ی عملی فرایند «افشانه ی خشک کنندهپانویس{s p r a y d r y i n g}»، مدل سازی فرایندها با استفاده از مدل های رگرسیون لجستیک و الگوریتم شبکه ی عصبی مصنوعی با هدف پیش بینی )برون یابی و درون یابی( عملکرد فرایند به کار گرفته می شود. به منظور مقایسه ی قدرت هرکدام از این دو مدل در پیش بینی عملکرد فرایند، شاخص های ارزیابی پایایی مدل، شامل ضرایب تعیین مدل و درصد صحت پیش بینی، محاسبه و تحلیل می شوند. استفاده از شبکه ی عصبی مصنوعی در این نوشتار، به منظور معماری مدل شبکه ی عصبی فرایند «افشانه ی خشک کننده» با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده های مستقیم صورت می گیرد. پس از حصول اطمینان از برتری مدل شبکه ی عصبی فرایند نسبت به مدل لجستیک آن و با توجه به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی های با توجه به عملکرد پیش بینی شده توسط مدل شبکه ی عصبی فرایند طراحی می شود که با استفاده از آن می توان کنترل پیش بینانه ی عملکرد فرایند را جایگزین روش های مبتنی بر سعی و خطا برای کنترل عملکرد فرایند کرد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی عملکرد فرایندهای تولیدی بااستفاده از رگرسیون لجستیک و شبکه عصبی مصنوعی (مورد کاوی: فرایند افشانه‌ی خشک‌کننده کاشی سرامیکی)

در این نوشتار با ارائه‌ی نمونه‌ی عملی فرایند «افشانه‌ی خشک‌کنندهپانویس{s‌p‌r‌a‌y d‌r‌y‌i‌n‌g}»، مدل‌سازی فرایندها با استفاده از مدل‌های رگرسیون لجستیک و الگوریتم شبکه‌ی عصبی مصنوعی با هدف پیش‌بینی )برون‌یابی و درون‌یابی( عملکرد فرایند به کار گرفته می‌شود. به‌منظور مقایسه‌ی قدرت هرکدام از این دو مدل در پیش‌بینی عملکرد فرایند، شاخص‌های ارزیابی پایایی مدل، شامل ضرایب تعیین مدل و درصد صحت پیش‌بینی،...

full text

مقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی

 Background: Diabetes mellitus is a high prevalent disease among the population, and if not controlled, it causes complications and irreparable damage to the eye and cause blindness. This study goal is to investigate the predictive power of multiple logistic regression model and the Artificial Neural Network Multi-layer Perceptron (MLP) in determining patients with and without diabetic...

full text

مقایسه دقت پیش بینی شبکه های عصبی مصنوعی و رگرسیون لجستیک دو متغیره در تشخیص هم‏زمان بیماری فشارخون و دیابت

  Background : Diabetes and hypertension are from important non-communicable diseases in the world and their prevalence are very important for health authorities. The objective of this study was to compare the predictive precision of joint logistic regression (LR) and artificial neutral network (ANN) in concurrent diagnosis of diabetes and hypertension.   Methods : This cross-sectional study wa...

full text

مقایسه ی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف

هرچند آسیب مغزی شدید می­تواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیش­بینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک بود. برای این منظور در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان...

full text

مقایسه ی کارایی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی میزان ریزش دانشجویان

مدل رگرسیون لجستیک یکی از مهم ترین مدل های خطی تعمیم یافته است که برای تحلیل مدل های چند متغیره کاربرد دارد به طوری که تمامی عوامل پیش بینی کننده موجود در یک مساله را به طور همزمان مورد توجه قرار می دهد. این مدل برای پیش بینی مدل های خطی و غیرخطی مناسب هستنداز سوی دیگر شبکه های عصبی به دلیل قابلیت های منحصر به فردشان ابزار بسیار کارایی برای پیش بینی می باشند. این مدل ها از اطلاعات پیشین استفاده...

15 صفحه اول

My Resources

Save resource for easier access later


Journal title:
مهندسی صنایع و مدیریت

جلد ۲۰۱۱، شماره ۱، صفحات ۳۱-۳۸

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023