پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی:دانلود پایان نامه

دانلود پایان نامه

پایان نامه های عمران

عنوان کامل این پایان نامه :

 مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی

تکه هایی از متن :

 

3-10 شبکه های عصبی مصنوعی بازگشت کننده یا بازرخدادگر1

این قبیل شبکه ها، عمدتاً نوع دیگری از پس انتشار  را برای فراگیری استفاده می نمایند. تغییر پذیری وضعی- فیزیکی بسیاری از فرآیندهای هیدرولوژیک مستلزم پویا بودن فرآیند تخمین زنی می باشد. چنین رابطه پویایی می تواند با شبکه های عصبی مصنوعی که با دقت انتخاب شده باشند مدل سازی گردد. در ساده ترین حالت، یک گره مجموع وزن دار ورودی هایش که به یک تابع فعال سازی غیرخطی وارد می شود را محاسبه    می نماید. در حالیکه شبکه های عصبی Feed-Forward پس انتشار محبوب تر هستند، اما در عین حال در آنها فقدان ارتباطات بازخوردی لازم برای یک حالت پویا مشاهده می گردد. با این وجود، بررسی های اخیر از شبکه های عصبی وجود دارد که دارای ارتباطات بازخوردی بوده و لذا در ذات خود و بطور موروثی پویا می باشند.

اصولاً، سه روش وجود دارد که طی آنها “حافظه” می تواند به شبکه های عصبی ایستا معرفی گردد. این سه روش (که به ترتیب پیچیدگی و توانایی شان نیز افزایش میابد) عبارتند از:

  1. مدلهای تأخیر خطی بهره برداری شده: در این مدل ها، شبکه بمنظور تعیین پاسخ خود در یک نقطه زمانی داده شده، بطور واضح ورودی های قبلی را در دسترس دارد (از طریق یک خط تأخیر بهره برداری شده). بنابراین، الگوی فیزیکی تبدیل به یک الگوی فضایی (فاصله ای) می شود که می توان از طریق آن یادگیری را انجام داد، که به آن پس انتشار کلاسیک2 گفته می شود.
  2. مدلهای بازرخدادگر جزئی یا مدلهای زمینه: این مدل ها بجای نگهداشتن ورودی های خام قبلی، خروجی قبلی گره ها را نگاه می دارند.

بعنوان مثال، خروجی نورون های لایه مخفی مربوط به شبکه Feed-Forward می تواند به همراه ورودی های حقیقی، به عنوان ورودی شبکه  مورد استفاده قرار گیرد. همچنین به این ورودی های مشتق از شبکه، اصطلاحاً ورودی های زمینه (متنی) نیز گفته می شود. وقتی که روابط میانی حامل این ورودی های زمینه تثبیت گردید، روش پس انتشار کلاسیک  می تواند بمنظور فرآیند فراگیری شبکه مورد استفاده قرار گیرد. انواع پیچیده تر این نظریه پایه ای، شامل خود-بازخورد در ورودی های زمینه یا مشتق کردن ورودی های زمینه از جاهای دیگر در شبکه می باشد.

  1. مدلهای کاملاً بازرخدادگر: این مدلها از بازخورد کامل و ارتباطات میانی بین تمامی گره ها بهره می برند. الگوریتم های فراگیری کاملاً بازرخدادگر، در دو مفهموم زمان و ملزومات ذخیره سازی بطور قابل توجهی  پیچیده تر می باشند. مدل های زمینه در جایی بین سادگی یک مدل بهره گیرنده از تأخیر خطی و پیچیدگی یک شبکه کاملاً بازرخدادگر قرار می گیرند. در بسیاری از شرایط، آنها راه    حل های رقابتی را ارائه می نمایند.

متن کامل پایان نامه در لینک زیر:

aroow-down-thesis-8

 دانلود متن کامل پایان نامه رشته عمران با فرمت ورد :مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از شبکه های عصبی مصنوعی

این نوشته در دسته‌بندی نشده ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.