مدل سازی شبکه عصبی موجک با استفاده از روش سهم گروهها برای پیش بینی دانسیته کتون ها در محدوده وسیعی از دما و فشار

thesis
abstract

در این پایان نامه، از مدل شبکه ی عصبی موجک (wnn) برای پیش بینی دانسیته ی کتون ها در محدوده ی وسیعی از دما و فشار استفاده شده است. در ابتدا مدل شبکه ی عصبی موجک با دو متغیر دما، فشار و توصیف کننده هایی برمبنای روش سهم گروه شامل تعداد گروه های متیل، متیلن، متین وگروه عاملی کربونیل برای هر یک از کتون ها طراحی گردید. سپس جهت به کارگیری شبکه ی عصبی موجک برنامه ای رایانه ای در محـیط برنامه نویسی matlab نوشته شد. با آموزش هر یک از شبکه ها پارامترهای ممنتم، سرعت آموزش، تعداد نرون های لایه ی مخفی و تعداد دور آموزش به صورت هم‎زمان بهینه‎سازی گردید. کارایی شبکه های بهینه شده با ترسیم نمودار مقادیر تجربی دانسیته در مقابل مقادیر به دست آمده از آن ها برای دو سری پیش بینی و تائید مورد ارزیابی قرار گرفت. نتایج حاصل از این نمودارها کارایی مطلوب شبکه را تائید می کند. در پیش بینی دانسیته این شبکه ها متوسط درصد خطای نسبی کمتر از 3/1% می باشد. در مرحله ی بعد برای ایجاد یک شبکه ی عصبی جامع ابتدا طبق روش فوق شبکه ای برای پیش بینی هم زمان دانسیته ی دو ترکیب 2-بوتانون و 2-پنتانون طراحی و بهینه سازی گردید که در این مورد نیز نتـیجه ی مطلوبی به دست آمد. به طوری‎که متوسـط درصد خطای نسبی در پیش بینی دانسیته برای این ترکیبات کمتر از60/0% می‎باشد. پس از به‎دست آوردن نتایج مطلوب با استفاده از مدل بهینه شده، شبکه ی عصبی موجک جامع برای پیش بینی دانسیته ی همه ی کتون ها با 6 توصیف کننده شامل دما، فشار و تعداد گروه متیل، متیلن، متین و گروه عاملی کربونیل طراحی و بهینه گردید که متوسط درصد خطای نسبی این شبکه برای پیش بینی دانسیته ی همه ی کتون ها کمتر از 05/1% و ماکزیمم درصد خطای نسبی کمتر از 95/1% می باشد. به علاوه، کارایی مدل بهینه شده با ترسیم نمودار مقادیر تجربی برحسب مقادیر به‎دست آمده از مدل برای دو سری پیش بینی و تائید ارزیابی گردید که ضریب همبستگی بیشتر از 99/0 نشان دهنده ی کارایی مطلوب مدل بهینه شده می باشد.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

مدل سازی شبکه عصبی موجک با استفاده از روش سهم گروه ها برای پیش بینی دانسیته ی آلکان ها و سیکلوآلکان ها در محدوده ی وسیعی از دما و فشار

در این پایان نامه، از مدل شبکه عصبی موجک برای پیش بینی دانسیته آلکان ها از 2 تا 19 کربنه و سیکلوآلکان ها در محدوده ی وسیعی از دما و فشار استفاده شده است. دو شبکه عصبی موجک برای پیش بینی دانسیته مدل سازی شد: یکی برای گازهای طبیعی (آلکان های 2 تا 4 کربنه) و دیگری برای آلکان های خطی 5 تا 19 کربنه و سیکلوآلکان ها. در ابتدا، مدل شبکه عصبی موجک برای گازهای طبیعی با دو متغیر دما و فشار و توصیف‎کننده ب...

15 صفحه اول

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

پیش بینی بارش ماهانه ایستگاه سینوپتیک کرمانشاه با استفاده از مدل ترکیبی شبکه عصبی و موجک

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک

این مطالعه تلاشی است در جهت به­کارگیری ترکیب مدل شبکه­ی عصبی پویا و تجزیه­ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش­بینی متغیر مذکور می­باشد. جهت تحقق این مهم، از داده­های سری­زمانی ماهانه­ی نرخ ارز طی بازه­ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل­سازی­ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه­سازی و یا به بیان دی...

full text

شبیه سازی و پیش بینی جریان رودخانه ها با استفاده از شبکه عصبی و مدل فوریه

مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی mlp در ارتباط با خروجی مدل فوریه، fsam، می پردازد. مدل fsam که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای arima را در درون خود دارد، ارائه می دهد. کاربرد همزمان شبکه های عصبی mlp و مدلfsam، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می سازد. ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی شاهرود

Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023