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...

در این مقاله به منظور بررسی ارتباط بین افت فشار سیکلون جداسازی و پارامترهای هندسی سیکلون غبارگیری، سه نوع شبکه عصبی مصنوعی انتشار بازگشتی[1]، شبکه عصبی تابع پایه شعاعی[2] و شبکه عصبی رگرسیون تعمیم یافته[3] به کارگرفته شده­اند. پس از آموزش آن­ها با داده­های تجربی، پارامترهای بهینه عملکردی هر کدام شبکه‌ها، با روش جستجوی چند مرحله‌ای[4] به دست آمده‌اند. شبکه­ها بر اساس میزان ضریب همبستگی[5]، خطای ...

در این مقاله، یک رویکرد جدید مدل­سازی برای مدل‌های شبکه عصبی مصنوعی بر مبنای مفاهیم شبکه­های عصبی و رگرسیون فازی ارائه شده است. به این منظور، مدل شبکه عصبی مصنوعی در قالب یک مدل رگرسیون غیرخطی فازی فرموله شده است، به نحوی که این مدل، مزایای هر دو مدل رگرسیون فازی و شبکه عصبی مصنوعی را دارد. بنابراین، این مدل به دلیل انعطاف­پذیری بالا، قابلیت استفاده در شرایط نبود قطعیت، مبهم یا پیجیده را دارد. ...

در این مقاله الگوریتمی هوشمند برای خوشه‌بندی، تشخیص مدولاسیون بین پالسی و جداسازی و شناسایی رشته پالس‌های متداخل رادارها ارائه می‌گردد. در الگوریتم پیشنهادی برای خوشه‌بندی پالس‌های متداخل دریافتی از شبکه عصبی خودسازمانده SOFM (بدلیل دقت بالای آن در مقایسه با شبکه‌های عصبی دیگر مانند شبکه عصبی CLNN و شبکه عصبی Fuzzy ART) و تشخیص نوع مدولاسیون بین پالسی از روش ضرب ماتریسی و برای شناسایی نوع رادار...

در این تحقیق، نحوه عملکرد شبکه های عصبی موجکی با شبکه های عصبی مصنوعی در پیش بینی درصد شکستگی دانه های جو در کمباین مقایسه شد. شبکه های مزبور به صورت تابعی از درجه حرارت هوا، سرعت کوبنده، سرعت پیشروی کمباین، فاصله کوبنده و ضدکوبنده در جلو و عقب واحد کوبنده و درصد رطوبت جو آموزش داده شد. شبکه عصبی موجکی (rasp1) با دقت 2/90 درصد در پیش بینی شکستگی دانه جو به عنوان یک جایگزین مناسب برای شبکه های ع...

در این مقاله، کنترل سرعت سیستم های سروهیدرولیک با استفاده از شبکه های عصبی مورد بررسی قرار گرفته است. ساختار کنترلی عصبی مورد استفاده ساختار آموزش خطای پس خور fel می باشد و اساس آن مبتنی بر یادگیری دینامیک معکوس سیستم تحت کنترل و کمینه کردن خروجی کنترلر کلاسیک به عنوان تابع هزینه شبکه است. در این مقاله، از شبکه های پیش خور سه لایه استفاده شده و در لایه میانی آن، توابع سیگمویید انعطاف پذیر به کا...