ویژگی های فیزیکی ای که در تقطیر بنزین موتور بایتس مورد اندازه گیری- …

پایان نامه های سری بیستم

فرایند سعی و خطا جهت دستیابی به تعداد بهینهی نرون ها در لایههای میانی آغاز گردید. در ابتدا یک لایهی پنهان انتخاب و تعداد نرون ها در آن از ۱ تا ۱۵نرون متغیر در نظر گرفته شد وخطای شبکه در هر دو فاز آموزش و ارزیابی بهدست آمد. سپس ساختارهای مختلف شبکه با دو لایه و تعداد نرون های متغیر در هر دو لایه نیز بررسی گردید و خطای هر یک از حالات در هر دو فاز آموزش و ارزیابی بهدست آمد.
۴-۸-۴٫ تعیین مقادیر اولیه فاکتور های وزنی
پیش از آموزش شبکهی عصبی مقادیر اولیهی فاکتورهای وزنی در لایههای پنهان باید تنظیم گردند. معمولاً فاکتورهای وزنی با یک تابع توزیع نرمال یا گوسین در محدودهی کوچکی بین صفر تا یک بهصورت تصادفی تنظیم میشوند. هدف از انجام این کار کاهش خطای لایهی نهایی میباشد. انتخاب غلط وزنهای اولیه سبب پدیدهی اشباع زودرس گرهها میگردد. اشباع زودرس گره ها به این معنی میباشد که در طول فرایند آموزش، مجموع مربعات خطاها برای بعضی دورهها ثابت باقی مانده و کاهش آن بعد از این دورهها تقریباً متوقف میگردد. جدول ذیل جهت تعیین توزیع فاکتورهای وزنی در الگوریتم پسانتشار خطا بر اساس تعداد متغیرهای ورودی (ورودیها قبل از نرمال شدن در نظر گرفته می شوند) و تعداد کل گرهها در لایهی پنهان می باشد [۳۰].
جدول(۴-۶) محدوده فاکتورهای وزنی جهت تخمین اولیه
۴-۸-۵٫ انتخاب تابع انتقال مناسب
انتخاب تابع انتقال مناسب بر مبنای کاربرد شبکه صورت میگیرد. تابع انتقالهای سیگموئیدی و تانژانت هایپربولیک برای غالب انواع شبکهها مخصوصاً شبکههایی که برای مسائل پیشبینی تابع استفاده میگردند مناسب هستند. تابع انتقال گوسین نیز برای مسائل طبقهبندی استفاده میگردد. البته میتوان گفت که تابع انتقال تانژانت هایپربولیک نسبت به تابع انتقال سیگموئیدی ارجحیت دارد. خروجی تابع انتقال تانژانت هایپربولیک در محدوده ۱- تا ۱ ، اما خروجی تابع انتقال سیگموئیدی در محدوده ۰ تا ۱ تغییر مینماید. یعنی تابع انتقال تانژانت هایپربولیک برای ورودیهای منفی، خروجیهای منفی تولید مینماید اما تابع انتقال سیگموئیدی برای تمامی مقادیر خروجی مثبت ایجاد می نماید [۳۰].
۴-۸-۶٫ آموزش شبکه
در آغاز برای ساختاری معین الگوریتمهای آموزشی مختلف بررسی شدند. همانگونه که قبلا بیان گردید و انتظار میرفت الگوریتم لونبرگ- مارکوات بهترین الگوریتم جهت بررسی این موضوع تعیین گردید. بدین منظور در ابتدا یک شبکهی تک لایه (یک لایهی میانی و یک لایهی خروجی) با تعداد یک نرون و تابع انتقال تانژانت هایپرپولیک در لایه میانی و تابع انتقال خطی در لایه خروجی انتخاب و با استفاده از این الگوریتم بررسی و پس از آن تعداد نرونها افزایش و خطای شبکههای مختلف ثبت گردید. در ادامه موارد دیگری از قبیل توابع مختلف بررسی گردیدند. انتخاب بهینه تعداد نرونها از اهمیت خاصی برخوردار میباشد. در تمام فرایند سعی و خطا از دادههای ارزیابی به این صورت استفاده گردید که بعد از آموزش شبکه، دادههای ارزیابی به شبکه وارد و درست هنگامی که خطای شبکه برای این دادهها با افزایش دورهی تکرارپذیری شروع به افزایش مینمود وزنها و شبکهی مربوطه برای آن دورهی تکرارپذیری ذخیره گردیدند تا از وقوع پدیدهی تکرار اجتناب گردد.
با استفاده از روش های زیر می توان از پدیده تکراراجتناب نمود.
استفاده از دادههای کافی و متناسب با تعداد پارامترهای مدل، انتخاب مدل مناسب با حداقل تعداد وزنهای ممکن، آموزش بیش از حد مدل، افزایش تعداد دورههای تکرار پذیری، خطای شبکه را در مرحله آموزش کاهش و برعکس در مرحله آزمایش افزایش می دهد.
در این تحقیق در ابتدا شبکه با یک لایهی میانی و یک لایهی خارجی با نرونهای مختلف و با استفاده از توابع انتقال متعدد اعم از تانژانت هایپربولیک و خطی لگاریتم سیگموئیدی در لایهی میانی و لایهی خارجی جهت پیش بینی عدد آرامسوزی بنزینموتور مورد استفاده قرار گرفت و کمترین خطاها در مراحل آموزش و ارزیابی ثبت گردید.
۴-۸-۷٫ ارزیابی شبکه
پس از اتمام فرایند یادگیری و آزمایش، شبکه عصبی باید ارزیابی گردد. در اینجا امید این است که شبکهی چند لایه از روی مجموعه دادههای یادگیری قدرت تعمیم به کل مجموعه ورودی و خروجی را داشته باشد. یک شبکه اگر رابطه ورودی- خروجی محاسبه شده توسط شبکه برای الگوی ورودی- خروجی آزمایشی، الگویی که هیچ وقت در پروسه یادگیری به شبکه ارائه نشده است صحیح عمل نماید، از توانایی خوب تعمیمپذیری برخوردار است.
قبل از بیان نتایج شبکه بهتر است ابتدا پارامترهای آماری که برای سنجش عملکرد شبکه مورد استفاده قرار گرفتهاند، بیان گردند.
میانگین قدر مطلق خطای نسبی( AARE)[85]
این پارامتر هم مشابه میانگین مربع خطاها، هر چه به سمت صفر میل نماید نشان دهنده انطباق بیشتر نتایج شبیه سازی با داده های تجربی خواهد بود
(۵-۴)
میانگین مربع خطاها (MSE)[86]
 MSE بهصورت زیر بیان میگردد. هر چه مقدار این پارامتر به سمت صفر میل نماید مدل در پیشبینی نتایج م

این مطلب را هم بخوانید :  بررسی عناصر قصه در مثنوی «جمشید و خورشید»- قسمت ۲۱
برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.

وفقتر بوده است. n تعداد داده های موجود می باشد .
(۶-۴)
در پایان به تفصیل به نتایج به دست آمده از پیش بینی شبکه می پردازیم.
نمودار (۴-۷ ) خطای شبکه برای تعداد نرونهای مختلف در فاز آموزش در شبکهی تک لایه
نمودار (۴-۸) خطای شبکه برای نرونهای مختلف در فاز ارزیابی در شبکهی تک لایه
نمودار (۴-۹) خطای شبکه برای نرون های مختلف در فاز آموزش در شبکه دو لایه
نمودار (۴-۱۰) خطای شبکه برای نرون های مختلف در فاز ارزیابی در شبکه دو لایه
با توجه به نتایج مشاهده میشود که خطای تعدادی از شبکه ها با توابع انتقال متفاوت بسیار نزدیک بههم می باشند. لذا بهترین نتایج از شبکه یک و دولایه انتخاب و مجددا با تعداد تکرار بیشتر مورد آزمایش قرار داده شدند که در نهایت شبکه دولایه با تابع انتقال لگاریتم سیگموئیدی در لایهی اول با هشت نرون، تابع انتقال تانژانت سیگموئیدی در لایهی دوم با چهار نرون و تابع انتقال تانژانت سیگموئیدی در لایهی خروجی کمترین خطا را داشت و بهعنوان بهترین شبکه برای پیشبینی عدد آرامسوزی انتخاب گردید.
جدول (۴-۷) پارامترهای آماری جهت ارزیابی خطای شبکه عصبی در حالت بهینه

ارزیابی آموزش Log sig- tang sig – tang sig
۰٫۰۸۰۵۹۷ ۰٫۰۸۷۷۸۹ MSE
۰٫۷۲۸۶۶۳ ۰٫۷۵۸۸۸۴