استفاده از روش فازی-عصبی در طبقه بندی و شناسایی اطلاعات بدست آمده از یک توپک (پیگ) هوشمند

خطوط لوله به عنوان شاهرگ های اصلی انتقال انرژی در جهان به شمار می آیند. بر اساس تحقیقات و پیش بینی های صورت گرفته تا افزون بر 50 سال آینده نیز خطوط لوله به عنوان مهم ترین و اصلی ترین وسیله انتقال انرژی های فسیلی در جهان مورد استفاده قرار خواهد گرفت. خطوط لوله اگر بطور مناسب و قابل قبولی طراحی و بخوبی نگهدار شوند، وسیله بسیار مناسب و کارآمدی برای انتقال انرژی خواهند بود. گسترش روز به روز خطوط لوله در جهان و اهمیت نگهداری و ایمنی آن بخصوص لزوم تعمیر و نگهداری و بازرسی های پیوسته خطوط لوله با قدمت بالا، باعث شده است که به تازگی توجه بیشتری به مبحث پیگ و پیگ رانی معطوف شود، با توجه به بیشترین خطری که پیوستگی خطوط لوله را تهدید می کند نازک شدن دیواره خط لوله بر اثر خوردگی فلزی و یا صدمات مکانیکی است بهر حال این اشکالات بر روی سطح داخلی و چه بر روی سطح خارجی لوله وجود داشته باشد با سیگنال mfl6 در برخورد با این اشکالات (طبق مواردی که در متن پروژه آورده شده است) تغییر خواهد کرد که این تغییرات با افزایش میزان mfl همراه خواهد بود. این استنتاجی است که از تحلیل های مدل سازی و ریاضی نیز بدست می آید و آزمایشات این تحلیل ها را قویاً تائید میکند به بیان روش اجرای پروژه بر اساس یک شبکه عصبی چند لایه پرسپترون با الگوریتم پس انتشاز خطا آورده شده است همانطور که می دانید معمولا الگوریتم پس انتشار خطا پیش خاتمه هزاران بار با استفاده همان داده های آموزشی تکرار می گردد شروط مختلفی را میتوان برای خاتمه الگوریتم بکاربرد توقف بعد از تکرار دفعات معین، توقف وقتی که خطا از یک مقدار تعیین شده کمتر شود. و توقف وقتی که خطا در مثال های مجموعه تائید از قاعده خاصی پیروی نماید مه اگر دفعات تکرار کم باشد خطا خواهیم داشت و اگر زیاد باشد مسئله فوق آموزش رخ خواهد داد این الگوریتم یک جستجوی گرادیان نزولی در فضای وزن ها انجام میدهد. ممکن است در یک مینیمم محلی گیر بیافتد برای پرهیز از مینیمم محلی روش های مختلفی وجود دارد مانند ازودن ممنتم، استفاده از گرادیان نزولی تصادفی، استفاده از شبکه های مختلف با مقادیر متفاوتی برای وزن های اولیه استفاده از تغییر نرخ یادگیری بر اساس روش قائده دلتای تعمیم یافته gdr (روش که در این پروژه بکار گرفته شده است) که توسط یک سیستم فازی از نوع تابع خطی ذو ذنقه ای mf استفاده شده است که از این رو "trapmf" برای مپ کردن ورودی ها استفاده شده است همچنین برای mf های خروجی همین تابع استفاده شده است. دیگر mf ها (مانند ... gaussmf, gbllmf, zmf) در این الگوریتم نیز تست شدند وزن های در این روش ها نیز تصحیح در انجام عملیات تسریع می گردد اما بهترین نتیجه با "trapmf" بدست آمد