اثر پایدارکننده ها بر خصوصیات فیزیکی خامه قنادی و پیش بینی این خواص با استفاده از شبکه عصبی مصنوعی

پیش بینی خواص فیزیکی پسته با استفاده از شبکه های عصبی مصنوعی در طی فرآوری

شناخت خواص فیزیکی مغز پسته در فرآیندهای انتقال، خشک کردن، فرآوری، جداسازی، درجه بندی و ذخیره این محصول ارزشمند نقش اساسی ایفاء می کند. در این مطالعه، خواص فیزیکی پسته توسط مدل های مختلف شبکه ی عصبی شبیه سازی گردید. مدل های مختلف شبکه ی عصبی همراه با تابع های آستانه ی مختلف در پیش بینی مقادیر مساحت سطح، حجم، جرم و دانسیته ی ذره پسته مورد استفاده قرار گرفت. نتایج، نشان داد که که مدل شبکه ی عصبی ت...

پیش بینی هوشمندانه خصوصیات تخته خرده چوب با استفاده از شبکه عصبی مصنوعی

چکیده شبکه های عصبی در دهه ی اخیر به عنوان ابزار قدرتمندی جهت پیش بینی در حوزه های مختلف مورد استفاده قرار گرفته اند. در این تحقیق از شبکه عصبی پیشخور پرسپترون چند لایه (MLP) با یادگیری پس انتشار از الگوریتم آموزش انتشار به عقب (BP)، با تکنیک بهینه سازی عددی لونبرگ- مارکوات (LM)،توسط نرم افزار متلب مورد استفاده قرار گرفت. درصد رطوبت کیک ، دمای پرس و زمان بسته شدن پرس به عنوان متغیرهای ورودی و خ...

پیش بینی رسوب آسفالتین با استفاده از شبکه عصبی مصنوعی بر مبنای الگوریتم ازدحام ذرات

پیش بینی مشخصات ساختاری و خواص مغناطیسی پودرهای نانوساختار آهن- نیکل با استفاده از شبکه ی عصبی مصنوعی

Mechanical alloying technique is used for production of nanostructured soft magnetic alloys. In this work the back propagation (BP) artificial neural adopted to model the effect of various mechanical alloying parameters i.e. milling time and chemical composition, on the properties of Fe-Ni powders. Lattice parameter, grain size, lattice strain, coersivity and saturation intrinsic flux den...

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...

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...