تحقیق رایگان درمورد شبکه عصبی، آبهای زیرزمینی، شبکه عصبی مصنوعی، حفاظت محیط زیست

تحقیق رایگان درمورد شبکه عصبی، آبهای زیرزمینی، شبکه عصبی مصنوعی، حفاظت محیط زیست

تحقیق رایگان درمورد شبکه عصبی، آبهای زیرزمینی، شبکه عصبی مصنوعی، حفاظت محیط زیست

زیر هستند:
الف- این شبکهها دارای سه لایه به نامهای لایه ورودی۸۰ و لایه میانی(پنهان)۸۱ و لایه خروجی۸۲ بوده‌اند، تعداد لایههای پنهان محدودیتی ندارد.
ب- در این شبکهها نرونهای هر لایه به نرونهای لایهی بعد از خود، سیگنال فرستاده‌اند.
شکل (۱-۴) شبکه پرسپترون چند لایه
۱-۲۲ روند طراحی شبکههای عصبی مصنوعی
در یک شبکه عصبی چند لایه پیشرو، اطلاعات از سلولهایی به نام نرون یا گره تشکیل شده است. پردازشی که در کل گرهها صورت گرفته، ممکن است بسیار پیچیده باشد اما اصل و اساس شبکههای عصبی مصنوعی این است که هرگره عملیات ساده و پردازشهای موضعی انجام داده ولی زمانی که تعداد زیادی گره به صورت موازی اطلاعات را پردازش کرده‌اند، نتیجه نهایی پیچیده بوده است. شبکههای عصبی چند لایه پیشرو تابع سه جزء عمدهی زیر بوده‌اند:
۱- تعداد لایهها و تعداد نرونهای شبکه عصبی مصنوعی: حداقل تعداد لایهها در شبکههای عصبی چند لایه پیشرو، سه عدد بوده و بطور معمول وجود یک لایه پنهان به منظور پردازش مناسب اطلاعات کافی است. با این حال در صورت نیاز میتوان کاربرد لایههای پنهان بیشتر را مورد آزمایش قرار داد. تعداد نرونهای لایه ورودی و خروجی به ترتیب بستگی به تعداد پارامترهای ورودی و خروجی داشته اما تعداد نرونهای لایه پنهان تابع قانون خاصی نبوده ولی معمولاً بین نصف تا دو برابر نرونهای لایه ورودی بوده است. تعیین تعداد این نرون تنها از طریق تجربه و سعی و خطا امکانپذیر است. بدین معنی که تعداد بهینه نرونها زمانی حاصل شده که شبکهی عصبی بهترین پردازش را با کمترین خطا انجام دهد.
۲- تابع فعالیت یا تابع انتقال مورد استفاده: در این شبکهها بطور کلی دو نوع تابع فعالیت خطی و غیرخطی استفاده شده و انتخاب نوع تابع نیز با توجه به تجربه و با سعی وخطا انجام گرفته است. در شکل (۱-۵) چند نمونه از توابع فعالیت آمده است.
شکل (۱-۵) چند تابع فعالیت پر کاربرد
۳- وزنهای شبکه عصبی مصنوعی: مهمترین بخش شبکههای عصبی، وزنهای آن بوده است. تعیین وزنهای بهینه شبکه نیاز به کاربرد یک روش منطقی دارد که اصطلاحاً به آن تربیت شبکه گفته شده است.
۱-۲۳ آموزش شبکههای عصبی مصنوعی
آموزش شبکههای عصبی در واقع تعیین مقادیر بهینه وزنها بوده، تا شبکه کمترین خطا را داشته باشد. ایده کلی این آموزش از روند تربیت و آموزش در انسان گرفته شده است. ذهن انسان از بدو تولد با دریافت الگوهای مختلف از خارج شکل گرفته و در واقع وزنهای داخلی ذهن براساس الگوهای مختلف تغییر یافته‌اند. همین ایده در شبکههای عصبی مصنوعی استفاده شده است. بدین ترتیب که در ابتدا یک سری وزنها بصورت تصادفی انتخاب شده و سپس با توجه به اطلاعات آموزشی که شامل ورودی و خروجیهای مرتبط بوده و یک روش مناسب تربیت، وزنها به نحوی تغییر کرده‌اند که شبکه به ازای مقادیر ورودی دادهها، مقادیر خروجی را بدهد.
۱-۲۴ روش‌های آموزش شبکههای عصبی مصنوعی
روش‌های آموزشی مختلف برای انواع شبکههای عصبی به کاربرده شده است. این روش‌ها عبارتنداز:
۱- قانون یادگیری پرسپترون تک لایه۸۳: این قانون از نوع یادگیری با ناظر است و فقط برای شبکههای عصبی متشکل از نرونها با تابع تبدیل آستانهای دو مقداره۸۴ به کار برده شده است.
۲- قانون یادگیری هب۸۵: این قانون از نوع یادگیری بدون ناظر است و جهت آموزش شبکههای انجمنی به کار برده شده است.
۳- قانون یادگیری ویدرو- هوف۸۶ ویا LMS87 : روش یادگیری ویدرو- هوف یادگیری با ناظر است و تعمیمی از الگوریتم (S.D.)88 بوده است. در این روش پارامترهای کنترل کننده جهت پایان دادن به آموزش، میانگین مجذور خطا بوده است. این روش برای آموزش شبکههای عصبی پرسپترون با تابع انتقال خطی موسوم به شبکههای آدالاین۸۹ به کار برده شده است.
۴- قانون یادگیری انتشار به عقب (BP) 90: این قانون که تعمیمی از روش آموزشی LMS بوده که برای آموزش شبکههای عصبی چند لایه پیشخور که عموماً شبکههای چند لایه پرسپترون MLP هستند، به کار برده شده است. این قانون نیز مانند روش LMS تعمیمی از الگوریتم SD است.
۱-۲۵ روش آموزش انتشار به عقب
الگوریتم تصحیح انتشار به عقب بر اساس خطایی که در خروجی شبکه وجود دارد و برای تنظیم وزن‌ها مورد استفاده قرار گرفته است. حال فرض شود یک شبکه عصبی مصنوعی با مقادیر وزن اولیه به همراه n عدد زوج الگو شامل و در اختیار داشته بطوریکه بردار مقادیر ورودی و نشان دهنده تعداد ورودی و بردار مقادیر خروجی متناظر با بردار ورودی و تعداد خروجیها بوده است. اگر خروجی شبکه باشد آنگاه مقدار خطای شبکه بصورت رابطه (۱-۷) بدست آمده است:
(۱-۷)
که در آن تعداد نرونها در لایهی خروجی بوده، اگر تعداد کل زوج الگوهای آموزشی عدد باشد، درآن صورت خطای محاسباتی بصورت رابطه (۱-۸) بوده است:
(۱-۸)
در عمل هدف کمینه کردن مقدار است یا به عبارتی وزنهای بهینه که به ازای آنها شبکه عصبی مصنوعی خطای محاسباتی کل کمتری دارد ولی روند آموزشی شبکههای عصبی کمینه کردن مقدار نیست بلکه مقدار خطای کمینه گردیده است.
الگوریتمی که در روشBP برای رسیدن به وزنهای بهینه بکار رقته، به شرح زیر است:
۱- انتخاب زوجهای یادگیری
۲- انتخاب مقادیر اولیه مناسب برای وزنهای شبکه
۳- اعمال بردار ورودی به ورودیهای شبکه و محاسبه خروجی شبکه
۴- محاسبه خطای ایجاد شده بین خروجی شبکه و خروجی مربوطه به بردار ورودی ()
۵- تنظیم وزنهای شبکه به طوری که مقدار خطا مینیمم گردد.
۶- تکرار مراحل ۱ تا ۴ برای همه زوج الگوهای آموزشی به طوری که خطای به یک مقدار مناسب همگرا شود.
تغییر وزنهای شبکه در دوحالت ممکن است انجام گیرد:
الف- تغییر وزنها بعد از ارائه هر زوج الگوی آموزشی که این روش به آموزش مثال به مثال۹۱ معروف است.
ب- تغییر وزنها بعد از ارائهی دستههای m تایی (mP). میانگین غلظت نیترات از نظر زمانی در ماه تیر دارای حداکثر مقدار بوده و از نظر مکانی نوع پوشش و کاربری اراضی عامل ایجاد تغییرات است.
میرانزاده و همکاران (۱۳۸۵) : به بررسی غلظت نیترات در آب چاه‌های تأمین کننده و شبکه توزیع آب شهر کاشان پرداختند این تحقیق به روش توصیفی و به منظور بررسی غلظت نیترات در آب شبکه توزیع شهر کاشان در زمستان ۱۳۸۳ و تابستان ۱۳۸۴ انجام گرفته و تعداد ۶۶ نمونه از آب چاه‌ها و ۲۲۸ نمونه از نقاط مختلف شبکه به طور تصادفی برداشت و غلظت نیترات آن به روش اسپکتروفتومتری اندازه‌گیری شده است. نتایج تحقیق نشان می‌دهد که میانگین غلظت نیترات در آب شبکه توزیع شهر کاشان در فصل زمستان ۱۳۸۳ برابر ۲/۱۳ میلی‌گرم بر لیتر و در تابستان ۱۳۸۴ برابر ۴/۱۵ میلی‌گرم بر لیتر و میانگین غلظت نیترات در آب چاه‌ها در فصل زمستان ۱۳۸۳ برابر ۱/۱۷ و در تابستان ۸۴ برابر ۰/۱۷ میلی‌گرم بر لیتر بوده است. همچنین اندازه‌گیری‌ها نشان می‌دهد در ۶ درصد از چاه‌های مورد آزمایش، مقدار نیترات مساوی یا بیشتر از حد استاندارد سازمان حفاظت محیط زیست و سازمان بهداشت بوده و از آنجا که دفع فاضلاب در چاه‌های جاذب به مرور زمان میتواند منجر به افزایش غلظت نیترات در آبهای زیرزمینی در سال‌های آینده شود. لذا بایستی در اجرای شبکه جمع‌آوری فاضلاب شهر کاشان تسریع گردد.
موسوی (۱۳۷۶) مطالعه‌ای بر آلودگی آبهای زیرزمینی حاشیه زاینده رود انجام داد و به این نتیجه رسید که یون نیترات در دو چاه از مجموع ۲۴ چاه مورد نمونه برداری بسیار بیشتر از بقیه چاه‌ها ۲/۱۶ و ۷/۲۹ میلی‌گرم بر لیتر بوده است. همچنین از لحاظ کل جامدات محلول و هدایت الکتریکی, آب بسیاری از چاه‌ها در وضعیت نامطلوبی قرار داشته‌اند. منابع اصلی آلودگی در آبهای زیرزمینی حاشیه زاینده رود, تخلیه فاضلاب‌های صنعتی و شهری به زاینده رود و مصرف زیاد آب‌, کودهای شیمیایی و سموم دفع آفات در مناطق کشاورزی اطراف رودخانه تشخیص داده شده است.
ویلیامز و همکاران (۱۹۹۸) در تحقیقی درباره کیفیت آب زیرزمینی در یک حوزه آبخیز در کالیفرنیا به این نتیجه رسیدند که مقدار نیتروژن نیتراتی در آب ۴۲ درصد از چاه‌های مورد نمونه برداری، بیشتر از حد استاندارد اداره حفاظت محیط زیست آمریکا (۱۰ میلی‌گرم بر لیتر نیتروژن نیتراتی) بوده است که این آلودگی بیشتر در اثر فعالیت‌های انسانی ایجاد شده است.
کلاسیوس و همکاران (۱۹۸۸) در مطالعه‌ای نشان دادند که مقادیر بیش از حد نیترات و آفت کش‌ها به ترتیب در ۴۳ و ۳۳ درصد از حدود ۵۰۰ چاه مورد آزمایش در مینسوتا وجود دارد‌. برطبق این مطالعات‌, غلظت نیترات از دهه ۱۹۶۰ همواره رو به افزایش بوده است و در بعضی چاه‌ها مقدار نیتروژن نیتراتی از مقدار استاندارد فراتر بوده است.
مولر و همکاران (۱۹۹۵) به این نتیجه رسیدند که غلظت‌های نیتروژن نیتراتی در ۲۱ درصد نمونه‌های جمع آوری شده از زمین‌های کشاورزی در ایالات متحده آمریکا از ۱۰ میلی‌گرم بر لیتر که بیشترین مقدار مجاز از نظر سازمان حفاظت محیط زیست می‌باشد، فراتر بوده است.
استین هیمر و همکاران (۱۹۹۸) به مطالعه نحوه حرکت مواد شیمیایی کشاورزی و انتقال به آبهای زیرزمینی و همچنین توزیع نیترات در مزرعه‌های تحت کشت ذرت واقع در منطقه جنوب غربی ایالت آیوای آمریکا پرداخته و به این نتیجه رسیدند که غلظت نیترات در منطقه غیر اشباع خاک بین ژانویه ۱۹۸۹ و دسامبر ۱۹۹۱، از کمتر از ۱۰ میلی‌گرم بر لیتر به بیشتر از ۸۰ میلی‌گرم بر لیتر و غلظت‌های آب چاه هم از کمتر از ۵ میلی‌گرم بر لیتر در سال ۱۹۷۲ به بیشتر از ۶۰ میلی‌گرم بر لیتر در سال ۱۹۹۴ رسیده است. همچنین مشابه مطالعات ۲۵ سال اخیر (غلظت نیترات در آب زیرزمینی منطقه در زیر پوشش جنگل، مرتع و علفزار که یا کوددهی نشده و یا به مقدار کم انجام شده کمتر از ۲ میلی‌گرم بر لیتر، در حالی که در مزارع کشاورزی و تولید دام معمولاً بیشتر از ۱۰ میلی‌گرم بر لیتر بوده است و ممکن است تا بیشتر از ۱۰۰ میلی‌گرم بر لیتر هم برسد)، رابطه مستقیمی بین غلظت نیترات درآب زیرزمینی و مقدار کاربرد کودهای نیتروژن‌دار بدست آوردند [۹۸ و ۱۶۴].
کانوار و همکاران (۱۹۹۵) در تحقیقی در ایالت آیوای آمریکا درباره اثر مدیریت کود, شخم و کاشت بر مقدار نیترات در آبهای زیرزمینی به این نتیجه رسیدند که با کاهش کاربرد کود نیتروژن‌دار تا ۱۱۲ کیلوگرم در هکتار, مقدار غلظت نیترات در آب زیرزمینی کم عمق کاهش می‌یابد‌. همچنین استفاده

مطلب مرتبط :   منبع تحقیق با موضوعتکنولوژی، تکنولوژی آموزشی، آموزش و پرورش، انتقال دانش

admin2

No category

No description. Please update your profile.

You must be logged in to post a comment