تخمین نرخ نفوذ حفاری با استفاده از ماشین یادگیری افراطی و شبکه های عصبی پایه شعاعی

پیش بینی نرخ نفوذ ماشین های تونل بری با استفاده از شبکه عصبی

در این مقاله ابتدا برخی از روش های پیش بینی نرخ نفوذ tbm مرور شده و سپس نرخ نفوذ با منظور کردن پارامترهای نوع سنگ، درصد کوارتز، مقاومت فشاری تک محوره، قطر دیسک، نیروی نفوذ هر دیسک و rqd با استفاده از شبکه عصبی پیش بینی شده است. با حذف rqd و درصد کوارتز از پارامترهای ورودی، حساسیت شبکه نسبت به حذف این پارامترها مورد بررسی قرار گرفته است. مقایسة نتایج شبکه عصبی با مدل تجربی گراهام، توانایی شبکه ع...

مقایسه تخمین نرخ نفوذ و بهینه‌سازی پارامترهای حفاری با استفاده از روش شبکه‌های عصبی و روابط تطابقی

تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و المانی

تشخیص نفوذ شبکه با استفاده از رویکرد ترکیبی مدل مخفی مارکوف و یادگیری ماشین مفرط

با رشد فناوری اطلاعات، امنیت شبکه به‌عنوان یکی از مباحث چالش‌برانگیز مطرح است. تکنیک‌های تشخیص نفوذ مبتنی بر ناهنجاری یک فناوری ارزشمند برای حفاظت از شبکه‌ها در برابر فعالیت‌های مخرب است. در این مقاله رویکردی جدید مبتنی بر مدل مخفی مارکوف (HMM) و ماشین یادگیری مفرط (ELM) جهت تشخیص نفوذ ارائه شده است. در مدل پیشنهادی، داده‌هایی که از ترافیک شبکه جمع‌آوری شده‌اند، ابتدا پیش‌پردازش می‌شوند. سپس دن...

تخمین سرعت حفاری با سیال کف با استفاده از شبکه عصبی مصنوعی رگرسیون عمومی

تقریب تابع ارزش عمل با استفاده از شبکه توابع پایه شعاعی برای یادگیری تقویتی

مشکل تنگنای ابعاد، یکی از چالش هایی است که کاربرد الگوریتم های یادگیری تقویتی گسسته را در مورد مسائل کنترلی واقعی که دارای فضای حالت و عمل بزرگ و یا پیوسته می باشند محدود نموده است. ترکیب روش های آموزشی گسسته با تقریب زننده های تابعی برای حل این مشکل چندی است مورد توجه محققان قرارگرفته است. در همین راستا در این مقاله یک الگوریتم جدید یادگیری تقویتی عصبی (NRL) بر مبنای معماری نقاد- تنها معرف...