تحقیق رایگان درمورد شبکه عصبی، الگوریتم ژنتیک، شبکه عصبی مصنوعی، داده های ورودی

تحقیق رایگان درمورد شبکه عصبی، الگوریتم ژنتیک، شبکه عصبی مصنوعی، داده های ورودی

تحقیق رایگان درمورد شبکه عصبی، الگوریتم ژنتیک، شبکه عصبی مصنوعی، داده های ورودی

مربوط به شبکه عصبی مصنوعی
load ‘data.mat’
[pn,ps1] = mapstd(p);
[ptrans,ps2] = processpca(pn,0.001);
[tn,ts] = mapstd(t);
[R,Q] = size(ptrans);
iitst = 2:4:Q;
iival = 4:4:Q;
iitr = [1:4:Q 3:4:Q ];
val.P = ptrans(:,iival); val.T = tn(:,iival)
test.P = ptrans(:,iitst); test.T = tn(:,iitst)
ptr = ptrans(:,iitr); ttr = tn(:,iitr);
net=newff(minmax(ptr),[25 1],{‘tansig’,’purelin’},’trainlm’);
net.trainParam.show = 5;
net.trainParam.epochs = 3000;
net.trainParam.goal = 1e-6;
[net,tr]=train(net,ptr,ttr,[],[],val,test);
figure(2)
an = sim(net,ptrans);
a2 = mapstd(‘reverse’,an,ts);
[m,b,r] = postreg(a2,t)
۳-۳-۷ آزمون حساسیت سنجی
فرآیند آنالیز حساسیت، میزان حساسیت مدل را نسبت به متغیرهای ورودی آن نشان میدهد. در این تحقیق برای انجام آنالیز حساسیت مدل از روش Statsoft استفاده گردیده است. در این روش مقادیر ضریب حساسیت متغیرهای ورودی از تقسیم نمودن خطای کل شبکه در غیاب یک متغیر بر خطای کل شبکه در حضور تمامی متغیرهای ورودی، بدست آمده است. بر این اساس اگر مقدار ضریب حساسیت یک متغیر بیشتر از یک باشد، آن متغیر سهم زیادی در توزیع تغییرپذیری مؤلفههای عملکرد داشته و حذف آن باعث بالارفتن میزان خطای شبیهسازی میگردد و چنانچه مقدار ضریب حساسیت متغیری کمتر از یک باشد، آن متغیر تأثیر و نقش کمتری در مدل ایفا مینماید [۱۶۳].
۳-۴ بهینه‌سازی با الگوریتم ژنتیک
برای بهینه‌سازی مدل شبکه عصبی مصنوعی از ابزار ۱۳۸GATool استفاده شده است. ابتدا پس از آنکه تابع هدف و قیود با استفاده از شبکه عصبی مصنوعی مدل شده، آنها از محیط NNTool به فضای کاری۱۳۹ نرم افزار Matlab فرستاده شده و سپس در یک فایل Matlab با پسوند .matذخیره کرده، با استفاده از m-file توابع مذکور را فراخوانی کرده و سپس با تعیین شروط مناسب و کافی بر روی توابع در جهت رسیدن به دقیقترین پاسخ، کار ادامه داده شده است. در ادامه با استفاده از ابزار الگوریتم ژنتیک در Matlab با نام gatool، فرآیند بهینهسازی انتخاب شده است در پنجره بازشده، m-file ذخیره شده را فراخونی کرده و به عنوان تابع بهینه هدف۱۴۰ به آن ارجاع گردیده است. تعداد متغیرهای ورودی، ۱۱ عدد (پارامترهای کیفی آب)، تعداد جمعیت۱۴۱ ۵۰ عدد و تعداد نسلها ۱۰۰ عدد در نظر گرفته شده است. برنامه مربوط به تنظیمات و نتایج حاصل در ادامه آورده شده است.
%% This is an auto generated M file to do optimization with the Genetic Algorithm and
% Direct Search Toolbox. Use GAOPTIMSET for default GA options structure.
%%Fitness function
fitnessFunction = @me;
%%Number of Variables
nvars = 11;
%Linear inequality constraints
Aineq = [];
Bineq = [];
%Linear equality constraints
Aeq = [];
Beq = [];
%Bounds
LB = [];
UB = [];
%Nonlinear constraints
nonlconFunction = [];
%Start with default options
options = gaoptimset;
%%Modify some parameters
options = gaoptimset(options,’PopInitRange’،[ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ; ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ]);
options = gaoptimset(options,’PopulationSize’،۵۰);
options = gaoptimset(options,’EliteCount’،۵ );
options = gaoptimset(options,’StallGenLimit’،۱۰۰);
options = gaoptimset(options,’StallTimeLimit’،Inf);
options = gaoptimset(options,’MutationFcn’،{ @mutationuniform 0.11881 });
options = gaoptimset(options,’Display’،’off’);
options = gaoptimset(options,’PlotFcns’،{ @gaplotbestf @gaplotbestindiv });
%%Run GA
[X,FVAL,REASON,OUTPUT,POPULATION,SCORES] = ga(fitnessFunction,nvars,Aineq,Bineq,Aeq,Beq,LB,UB,nonlconFunction,options);
۴-۱ نتایج مربوط به برنامه شبکه عصبی مصنوعی
۴-۲ حساسیت مدل نسبت به پارامترهای ورودی (آزمون حساسیت سنجی)
۴-۳ نتایج مربوط به بهینه‌سازی با الگوریتم ژنتیک
۴-۴ مقدار نیترات در آبهای زیرزمینی مناطق مختلف در سطح استان اصفهان در سالهای ۱۳۷۹ و۱۳۸۰
۴-۵ بررسی آلودگی نیترات در مناطق کشاورزی, شهری و صنعتی مناطق مختلف در سالهای ۱۳۷۹ و ۱۳۸۰
۴-۶ بررسی آلودگی نیترات در چاه‌های آب شرب منطقه مورد مطالعه در سال ۱۳۷۹ و ۱۳۸۰
۴-۷ بررسی نقشه‌های هم‌نیترات مناطق مورد مطالعه در مراحل زمانی مختلف طی سالهای ۱۳۷۹ و ۱۳۸۰ و ۱۳۸۶ و ۱۳۸۷
۴-۱ نتایج مربوط به برنامه شبکه عصبی مصنوعی
برای تهیه مدل شبکه عصبی از مقادیر نیترات اندازهگیری شده به عنوان تابع هدف و مقادیر کیفی نمونههای آب اندازهگیری شده (شامل کلر, بی‌کربنات, سدیم, پتاسیم, کلسیم, منیزیم, سولفات, هدایت الکتریکی، سختی کل، نسبت جذبی سدیم و PH) به عنوان توابع ورودی استفاده گردیده است و با استفاده از ابزار NNtool نرم افزار Matlab و بهرهگیری از شبکه پرسپترون سه لایه (یک لایه ورودی با ۱۱ نرون, یک لایه پنهان با تعداد نرون ۱ تا ۲۳ و یک لایه خروجی با ۱ نرون که همان مقادیر نیترات است) قاعده آموزشی انتشار به عقب (BP) و تابع فعالیت سیگموئید برای فرآیند آموزش, برای دستیابی به بهترین مدل با خطای حداقل, چندین بار برنامه اجرا شده است. ۶۰ درصد داده های ورودی (داده های ۱۰۵ حلقه چاه) برای آموزش, ۲۰ درصد داده های ورودی (داده های ۳۵ حلقه چاه) برای ارزیابی و ۲۰ درصد داده های ورودی (داده های ۳۵ حلقه چاه) برای آزمون به صورت کاملاً تصادفی توسط نرم افزار انتخاب گردیده شده است. در نهایت شبکهای با یک لایه پنهان و ۱۹ نرون در این لایه، کمترین مقدار خطا را در روند آموزش شبکه، ارزیابی و اعتبارسنجی ایجاد نموده است. بهترین اعتبار سنجی در گام ۳ آموزش (epoch 3) و MSE (میانگین مربعات خطا) برابر مقدار ۰۲۰۹۷۹/۰ حاصل گردیده (شکل ۴-۱) و مقدار ضریب همبستگی مدل (R)، ۸۹/۰ بدست آمده است.
شکل ۴-۱ نتیجه آموزش شبکه در حالت استفاده از داده های ورودی نرمال شده
برای مقایسه میزان خطای شبیه سازی, داده های ورودی را از حالت نرمال خارج نموده و بار دیگر مدل اجرا شده است که خلاصه نتایج مربوط به شبیه سازی در جدول (۴-۱) آمده است. میانگین مربعات خطا توسط نرم افزار ارائه شده و از رابطه (۴-۱) نیز قابل محاسبه میباشد.
(۴-۱) = میانگین مربعات خطا
که در آن xi مقدار شبیهسازی شده دادهها توسط مدل، yi مقدار واقعی اندازهگیری شده دادهها، i شمارشگر و n تعداد دادههای اندازهگیری شده است. مقدار MSE نشان میدهد که پیشبینیها چه میزان بیشتر یا کمتر برآورد شدهاند. در بهترین شرایط که مقادیر پیشبینی شده با مقادیر اندازهگیری شده برابر میباشد مقدار MSE برابر صفر خواهد بود.
جدول ۴-۱ میانگین مربعات خطا و ضریب همبستگی در بخشهای مختلف مدل
محدوده
R
MSE
آموزش
۰.۹۵۰
۲.۲۱۲
ارزیابی
۰.۹۱۲
۴.۵۰۷
آزمون
۰.۷۹۵
۱۶.۲۸۶
کل
۰.۸۸۶
۵.۴۸۶
در شکل (۴-۲) مقادیر نیترات شبیه سازی شده توسط مدل در برابر مقادیر اندازه گیری شده در چاهها ترسیم شده است. میزان درصد خطای نسبی اندازه گیری مدل از رابطه (۴-۱) محاسبه گردیده و در جدول (۴) پیوست آمده است.
(۴-۲) = درصد خطای اندازه گیری
که در آن xi مقدار شبیهسازی شده دادهها توسط مدل، yi مقدار واقعی اندازهگیری شده دادهها، i شمارشگر دادههای اندازهگیری شده است. برطبق داده های جدول (۴) پیوست درصد خطای اندازه گیری در محدوده ۸/۵۸ تا ۹/۵۷- با متوسط ۷۴۳/۰ درصد متغیر بوده و ۸۰ درصد خروجیهای مدل دارای خطای کمتر از حدود ۱۸± درصد بودهاند که در حد قابل قبول بوده و نشان داده که مدل ارائه شده قادر است به خوبی هدف تحقیق را برآورده سازد.
شکل ۴-۲ نمودار همبستگی بین مقادیر شبیه سازی شده و مقادیر اندازهگیری شده
۴-۲ حساسیت مدل نسبت به پارامترهای ورودی (آزمون حساسیت سنجی)
در این تحقیق برای انجام آنالیز حساسیت مدل از روش Statsoft استفاده گردیده است. در این روش مقادیر ضریب حساسیت متغیرهای ورودی از تقسیم نمودن خطای کل شبکه در غیاب یک متغیر بر خطای کل شبکه در حضور تمامی متغیرهای ورودی، بدست میآید. نتایج آنالیز در جدول (۴-۲) و شکل (۴-۳) آمده است.
شکل ۴-۳ نمودار میله‌ای (هیستوگرام) ضرایب حساسیت پارامترهای مورد استفاده در روش Statsoft
جدول ۴-۲ ضرایب حساسیت پارامترهای مورد استفاده در روش Statsoft
ضریب حساسیت فاکتور حذف شده
MSE
فاکتور حذف شده
۱
۰.۰۲۰۹۷۹
بدون حذف فاکتور
۱.۱۲۹۲۲۴۴۶۳
۰.۰۲۳۶۹
کلر
۱.۰۹۲۳۳۰۴۲۶
۰.۰۲۲۹۱۶
بی کربنات
۰.۸۹۹۶۶۱۵۶۶
۰.۰۱۸۸۷۴
پتاسیم
۰.۷۶۴۳۳۵۷۶۴
۰.۰۱۶۰۳۵
سدیم
۱.۱۲۶۵۰۷۴۶
۰.۰۲۳۶۳۳
کلسیم
۱.۰۳۵۴۶۴۰۳۵
۰.۰۲۱۷۲۳
منیزیم
۰.۸۳۴۵۰۱۱۶۸
۰.۰۱۷۵۰۷
سولفات
۱.۲۰۲۷۷۴۲۰۳
۰.۰۲۵۲۳۳
هدایت الکتریکی
۰.۸۶۸۸۶۸۸۶۹
۰.۰۱۸۲۲۸
سختی
۰.۹۶۴۴۸۸۲۹۸
۰.۰۲۰۲۳۴
نسبت جذبی سدیم
۱.۱۸۹۹۹۹۵۲۳
۰.۰۲۴۹۶۵
PH
اگر مقدار ضریب حساسیت یک متغیر بیشتر از یک باشد نشان دهنده آن است که متغیر در نظر گرفته شده سهم زیادی در توزیع تغییرپذیری مؤلفههای عملکرد داشته و حذف آن باعث بالارفتن میزان خطا در مدل میگردد. با توجه به جدول خروجی آنالیز (جدول ۴-۲)، محدوده تغییرات ضریب حساسیت بین ۷۶/۰ و ۲/۱ بدست آمده که نشان داده بیشترین تأثیر بر مدل توسط پارامترهای هدایت الکتریکی و PH و کمترین تأثیر توسط سدیم اعمال گردیده است [۲].
۴-۳ نتایج مربوط به بهینه‌سازی با الگوریتم ژنتیک
با استفاده از ابزار الگوریتم ژنتیک در Matlab با نام GAtool، فرآیند بهینهسازی انتخاب شده است در پنجره بازشده، m-file ذخیره شده را فراخونی کرده و به عنوان تابع بهینه هدف به آن ارجاع گردیده است. تعداد متغیرهای ورودی، ۱۱ عدد (پارامترهای کیفی آب)، تعداد جمعیت ۵۰ و تعداد نسلها ۱۰۰ در نظر گرفته شده است. برنامه مربوط به تنظیمات و نتایج حاصل در ادامه آورده شده است.
شکل ۴-۴ نتیجه بهینهسازی شبکه عصبی مصنوعی با استفاده از الگوریتم ژنتیک
۴-۴ مقدار نیترات در آبهای زیرزمینی مناطق مختلف در سطح استان اصفهان در سال ۱۳۷۹ و۱۳۸۰
از آنجا که داده‌‌برداری بخش (الف) مربوط به سال‌های ۱۳۷۹ و ۱۳۸۰ به طور منظم صورت گرفته است لذا برای روندیابی مکانی و

مطلب مرتبط :   تحقیق رایگان درمورداستان اصفهان، شبکه عصبی مصنوعی، شبکه عصبی، الگوریتم ژنتیک

admin2

No category

No description. Please update your profile.

You must be logged in to post a comment