[ [ 52 نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 از صفحه 52 تا 92 ارائة رشی با مجمعه دادة کچک به کمک شبکة عصبی بهمنظر آن 2 1* حمید حسنپر محمدمهدی علیاننژادی 1. استاد آزمایشگاه پردازش تصیر دادهکای دانشگاه صنعتی شاهرد 5. دانشجی دکتری آزمایشگاه پردازش تصیر دادهکای دانشگاه صنعتی شاهرد )تاریخ یافت: 31/35/11 تاریخ یافت رایت اصالحشده: 31/31/11 تاریخ تصیب 31/31/12( چکیده کمبد داده از مهمترین مشکالت های اقعی کاربردهای صنعتی است. رشهای معمل با داشتن مجمعه دادۀ اندک از یک تانمندی الزم را مدلکردن آن ندارند. مقاله رشی نع ها بهمنظر ارائه شده از د مرحلۀ اصلی تشکیل شده است. مرحلۀ ال به کمک شبکۀ عصبی مدلی تلید دادهها ایجاد میشد با یافت هر خرجی دلخاه از تعیین میکند خرجی ناشی از اعمال چه ردیای به بده است. مرحلۀ دم به کمک الگریتم ژنتیک رشی مدل تلیدشده ارائه میشد. مقاله به کمک رش پیشنهادشده میتان ردیهای منجر به تلید خرجی بهینه را یافت. بهینهبدن عملکرد تابعی مسم به تابع برازش بررسی میشد. رش ارائهشده بر ری یک سری زمانی غیرخطی متغیر با زمان بهسیلۀ معادلۀ ریاضی مشخص یک مجمعه داده اقعی از صنعت کشارزی ارزیابی شده است. تحلیل نتایج آزمایشها نیز با معیار میانگین مربعات خطا صرت گرفته است. نتایج ارزیابی با معیار تانمندی رش را مجمعه دادههای مقاله نشان میدهد. اژههاي کلیدي: الگریتم ژنتیک شبکۀ عصبی چندالیه. مقدمه ریاضی ریاضی میپردازد ]1 رابطۀ ریاضی آنالیز بین به تصیف با مفاهیم ی زبان به عبارت دیگر بهدنبال ردیها خرجیهای است. یک پیشبینی رفتار آن مطرح است: سه هدف بالقه بهمنظر 1. به ازای یک ردی دلخاه خرجی چه خاهد بد. 5. چه تغییراتی تلید یک خرجی دلخاه به ازای الگی ردی مشخص الزم است. 9. اگر امکان تغییر جد ک ی(ل یا )جزئی نداشته باشد تلید یک خرجی دلخاه به چه ردی ربهجل نیاز داریم. هدف ال به بیان اما میپردازد د مرد بعدی یک مسئله معکس نیاز است ]5[. باید تجه داشت شده ارائه فنن است. برخی زیادی از پردازشی حل به رشها دادههای به متنعی بررسی پژهشها مییابیم استفادۀ کمی از رشه یا زیرا معمال مجمعه دادهه یا ندارد همچنین ی از د نیاز دهۀ با دارند. گذشته صنعت شده است اقعی صنعت تنع الزم را یک براساس اندک میشد دقت الزم را ندارد ]9[. مهمترین از یکی مسائل های اقعی نبدن دادهه یا مجمعه دادۀ کافی متناسب با رش است ]1[. معمال های اقعی شامل یک یا چند مشکل از مشکالت زیر است: 1. مجمعه دادههای مجد آنها کچک است 2,9[ رابطۀ است ]2[. هدف بین ردیها خرجیهای غیرخطی مقاله های اقعی با دادهه یا پیچیدگی رشی ارائۀ اندک است. بهعنان مثال از هایی با شرایط اقعی Email:h.hassanpour@shahroodut.ac.ir تلفن: 35995933521 فکس: 35995933521 * نیسندۀ مسئل
نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 51 آبیاری قطرهای ختان انگر را نظر گیرید. ردی نشان است انگر خت آبیاری از الگ یک میدهد چه رزهایی از سال چه ساعاتی از رز هر مرحله چند قطره آب به خت داده شد. خرجی میزان محصل انگر را با تجه به الگی آبیاری نشان میدهد. از طریق آزمایش عملی الگهای مختلف آبیاری بر ری یک مزرعه یافتن میزان محصل برحسب الگی ردی مق نیست. مسئلۀ کشت انگر با تجه به الگی آبیاری تهیۀ مجمعه داده از سه رش مق است: الف( بهرهگیری از الگی متفاتی از آبیاری ساله یا مختلف ب( تقسیمبندی مزرعه بهرهگیری از الگی متفات قسمتهای مختلف مزرعه. ج( ترکیبی از د رش قبلی. از آنجا اجرای هریک از رشه یا فق بسیار زمانبر است عمال تهیۀ مجمعه دادۀ بزرگ امکانپذیر نیست با مشکالتی همراه است البته میزان محصل انگر عاله بر به پارامترهای آبیاری شیۀ نظیر دیگری جنس خاک میزان کد نیز ابستگی دارد مطالعۀ حاضر بررسی نمیشد بنابر الگی آبیاری مشکل است. پیشبینی میزان محصل خت از ری بهطرکلی مسائل به د دستۀ 1 پارامتری متغیرهای پارامتری تصمیمگیری 5 کنترلی عبارت است از به )پارامترها( تقسیم یافتن شرطی میشند. مقادیر تابع تصمیمگیری حداقل یا حداکثر شد به عبارت دیگر هدف پارامتری بیشینه x i است آن f(x 1,x 2,,x N ) کمینهکردن یا تابع متغیر تصمیمگیری i ام است. پارامتری به یک ارزیابی عددی از نیاز است با (.)f نشان داده شده است. هدف کنترلی پیداکردن دنبالهای از ضعیتهای رسیدن به ضعیت بهینه است. کنترلی نیز ضعیت با مشخصههای عددی تعریف میشد ]1[. مشکالت از یکی رشهای تجربی طالنی بدن فرد انجام آزمایشهای مختلف دیگری احتمال قرار گرفتن بهینههای محلی است. معمال فرد خبره تعداد کمی از الگها را بررسی میکند هر نبت بهصرت به میکند ناگهانی سمت ماد بهینهای مغذی را پیش تغییر ر نمیدهد دارد حرکت تالش کند بنابر احتمال قرارگرفتن بهینههای محلی جد دارد. یکی از فنن قی پارامتری 9 رش RSM است از رگرسین بر ری نمنهه یا میکند شبکۀ آمزش یافتن تابع تقریبی استفاده ]1[. از ارائه عصبی سی شده دیگر است. رشهای از آنجا قیتری بر شبکۀ مبنای عصبی تانایی تقریب تابع را دارد ممکن است 1 استفاده شد ]8[. رش WH یکی از رشه یا مبتنی بر شبکۀ عصبی است اساس رش WH 2 برنامهسازی غیرخطی است. شرایطی الگریتم دادهه یا آمزش بهصرت همزمان جد نداشته باشند رش WH 1 به الگریتم آمزش رقابتی تبدیل میشد ]3[. نیسندگان مقالۀ 13 رشی مبتنی بر شبکۀ عصبی محصل چغنقند دادهاند. پیشنهاد مقاله زن چغنقند صد شکر آن براساس الگی ماد مغذی اعمالشده به خاک با شبکۀ عصبی پیشبینی شده است. رش پیشنهادی آن مقاله طی سه مرحله بده نتایج را انجام میدهد. مجمعه دادهه یا آزمایشهای با پیشبینی اقعی میشد. نتایج رش ارائهشده آن مقاله آنها تجه میکند اما به مسائل دیگر تعمیمپذیر نیست. کم ارزیابی مسئله معمال ها به د گره تقسیم میشند. گره علت به معلل از دم گره معلل به ال از علت میرسند. رش پیشنهادی مقاله گره دم جای دارد از د بخش عمده تشکیل شده است. بخش ال به کمک شبکۀ تلید مدلی عصبی دادهها ایجاد میشد. مدل با یافت هر خرجی دلخاه از تعیین میکند خرجی ناشی از اعمال چه بده است. اغلب پارامترهای زیادی با نقشه یا ردیای متفات پیشبینی خرجی یک مؤثر هستند معمال همۀ آنها آن بررسی نمیشند. بر اساس مدلی میرد انتظار مشخص کند خرجی را چه با یافت ردیای دلخاه خرجی تلید میکند
51 ارائۀ رشی با مجمعه دادۀ کچک به کمک شبکۀ عصبی... مقایسه با مدلی با یافت ردی خرجی متناظر آن را تلید میکند خطای کمتری داشته باشد. بخش دم رشی پارامتری مدل ژنتیک الگریتم با تلیدشده است. شده ارائه ]19-11[ هدف یافتن ردیهایی از است بتاند خرجی بهینهبدن کند. ادامۀ بخش دسته دادهای ضعیت بخش سم داده بهینه را تلید باید را کند. تابعی ارزیابی عددی مقاله به شرح زیر مرتب شده است. دم شامل دادۀ از صنعت رش آزمایش تلیدشده کشارزی نتیجهگیری مقاله ارائه میشد. رش ارائهشده پیشنهادی رش معرفی پیشنهادی با معادله ریاضی است شده بر میزان مشخص ری است. د مشخص بخش چهارم فرض کنید هیچ تصیف دقیقی از رفتار اختیار نباشد هدف الگی خرجی الگی اعمالشده ردی بعدی باشد به آن باشد. بهترتیب بعدی نمایانگر الگی i ما با الگهای ردی با S نتایج مشخص میشد. اگر فرض شد هر نتیجۀ خرجی متناظر با آن بهترتیب بردارهایی با طل خرجی متناظر با آن هستند. با تجه به فرض کچکبدن مجمعه دادههای بهق کافی بزرگ نیست بتان از رشه یا مستقیم به پرداخت. الگریتم سه مرحلۀ مقاله شامل پیشنهادشده اساسی است. از آنجا آمزش شبکۀ عصبی با دادهه یا نرمال بهتر انجام میشد مرحلۀ ال دادهها نرمالسازی میشند. مرحلۀ دم نیز مدلی تعی نی بهمنظر میشد. گرفتن هر مرحله خرجی کمک با از دلخاه شبکۀ پرسپترنی رابط صریحی از ری خرجیه یا ردیه یا زنه یا تلید آن میشد. ضرایب ردی الزم عصبی ساخته چندالیه به رابط همان شبکۀ عصبی است. مرحله مسئلۀ اصلی به مسئلۀ پارامتری تبدیل میشد. مرحلۀ سم با کمک الگریتم ژنتیک پارامتری انجام میشد. هدف از بهکارگیری الگریتم ژنتیک حداقل یا حداکثرکردن تابع ارزیا سیبی مرحلة ال: نرمالسازي دادهها ستم است. هدف از مرحله نرمالکردن الگهای ردی خرجی از آنجا است. متناظر پرسپترنی با دادهه یا چندالیه عصبی شبکۀ آمزش نرمال سادهتر انجام میشد دادهها مرحله نرمالسازی میشند. از سی دیگر شبکۀ عصبیای خرجی مرحلۀ خد خرجیهای یکپارچگی تابع یک دم فعالساز استفاده میشد نرمال دارد شب هماره نرمال خاهند بد. رش استفاده میشند. بین تمام دادهها ارائهشده بهصرت الیۀ بنابر حفظ نرمال گفتنی است عمل نرمالسازی تمام دادهها به بازۀ صفر یک نگاشت داده میشد. اگر حداکثر حداقل مقدار مجاز بهترتیب گاهی محددۀ با i ما دادۀ باشد دادۀ i ام نرمالشدۀ یک مجاز نشان داده میشد داده همان محددۀ خاهد بد. مرد مطالعه است. با کمک رابطۀ زیر الگهای ردی نتایج خرجی نرمالسازی میشد. )1( مرحلة دم: مدلسازي همانطر تعیین بدین ردی شد بیان منظر یکی از اهداف بالقۀ تلید بخش مدلی خرجی دلخاه است طراحی میشد با یافت هر خرجی دلخاه از تعیین میکند ردیای خرجیهای هستند. خرجی ماتریس به مدل الگهای خرجی باشد بهترتیب ردی میتاند عبارت به ناشی خرجیها دیگر از اعمال چه ردیها ردیهای نتایج را نظر بگیرید. P O هر ستن نمایانگر یک الگی ردی نتیجۀ خرجی متناظر با آن است. رش ارائهشده بخش بر شبکۀ عصبی مبتنی است. بردار F Net بهعنان یژگی پیرز شبکۀ پیرز با مقدار تهی میشد. گرفته نظر شبکۀ پیرز
نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 58 را بهترین شبای است مرحله پارامتر را پیشبینی میکند یژگی پیرز نامیده میشد. تا زمانی هنز تهی P مجمعۀ مراحل زیر تکرار میشد: نشده باشد 1. شبهای عصبی چندالیهای یژگیهای میشد طراحی الگهای ردی )ردیهای از ری پیشبینی تکتک شبهای مجمعۀ عصبی O هر مرحله مجمعۀ O است خرجی آنها تنها یک نرن متناظر با یک یژگی الگی ردی است تعداد بنابر شبهای عصبی تعداد یژگیهای بردار ردی است(. طراحیشده همان 5. دادهها به سه مجمعۀ آمزش ارزیابی آزمایش تقسیم میشند. تقسیمبندی با تجه به شرایط مسئله تغییر میکند. دادههای آمزش آمزش شبکۀ عصبی کاربرد دارد. دادهه یا ارزیابی بهمنظر اندازهگیری میزان عممیت شبکۀ عصبی نیز تقف آمزش آن استفاده میشد. دادهه یا رند آمزش اندازهگیری عصبی شبکۀ از مستقل اثری پس از آمزش استفاده میشد. عملکرد آزمایش نیز از ندارند شبکۀ آنها عصبی 9. شبهای عصبی طراحیشده آمزش داده میشند..2 1. شبای کمترین خطا را پیشبینی داشته باشد بهعنان شبکۀ پیرز خرجی شب بهعنان یژگی پیرز نظر گرفته میشد. پیرز شبکۀ پیرز یژگی بردارهای F Net اضافه میشد. بهترتیب به انتهای 1. یژگی پیرز از ماتریس P حذف به ماتریس O اضافه میشد ) عمل معادل حذف یک سطر از ماتریس P اضافهکردن آن به ماتریس O است(. پس از انجام مراحل باال پایان مییابد. با داشتن خرجی میتان الگهای ردی کرد. پیشبینی بهترتیب بردارهای یژگی شبکۀ پیرز فرد هستند آنها یژگی شبکۀ پیرز مرحلۀ i ما یژگیه یا الگی ردی از ر ی است. پیشبینی تمام خرجی شب میتان کل بردار F را پیمایش هر مرحله از ری شبکۀ متناظر با پیرز یژگی محاسبه کرد. را با الگریتم مقدار یژگی جاری پیشخر آزمایشهای انجامشده پژهش شبهای 1 عصبی از نع ]11[ MLP است. همچنین تعداد نرنهای الیۀ مخفی با رش سعی خطا محاسبه شده است. رش 8 آمزش شبکۀ عصبی انتشار خطای ر به عقب است. تابع فعالساز شبکۀ عصبی نیز تابع سیگمئید نظر گرفته شده است. اگرچه است محددیتی مقالۀ حاضر آمزش آن جد ندارد. انتخاب از نع ساختار استفاده شده عص یب شبکۀ مرحلة سم: بهینهسازي با الگریتم ژنتیک رش همانطر بیان شد به ارزیابی عددی از نیاز است به عبارت دیگر باید معیاری میزان بیان بهینهبدن مشخص شد. معیار ارزیابی با تجه به مسئله تعریف میشد. فرض کنید تابع ( ) ردیها تابع ارزیا سیبی ستم باشد بهترتیب ردی jام خرجی jام تعداد کل تعداد کل خرجیه یا است. مرحله با کمک مدل ساختهشده مرحلۀ قبل الگریتم ژنتیک انجام میشد. الگریتم ژنتیک با تانایی کار مسائلی با فضای فرضیۀ پیچیده )تأثیر اجزای مسئله فرضیۀ جستجی ک یل ناشناخته باشد( فضای بزرگ رش مناسبی های پیچیده است. اگرچه الگریتم تضمینی رسیدن به پاسخ بهینه ندارد هماره پاسخهای بهدستآمده با الگریتم ژنتیک از بهترین پاسخهای ممکن خاهد بد احتمال محلی بهینۀ آن قرارگرفتن اندک است. الگریتم رشی مبتنی بر تکامل بیلژیک است هر مرحله مجمعهای جایگزینی با از فرضیهها فرضیههای فعلی با فرزندانی از بهترین فرضیهه یا حاصل شدهاند بهدست میآید ]11-12[. کرمزم خرجیهای کرمزم دادهه یا با مناسب S برابر است الگریتم است. مجد مسئله از بنابر با قبل ژنتیک تجه بخشی شامل تعداد ژنه یا به نرمالسازی ژنها مقادیری حقیقی بین صفر تا یک دارند. از مجد همۀ هر همۀ میشند
53 ارائۀ رشی با مجمعه دادۀ کچک به کمک شبکۀ عصبی... شایان ذکر است تابع برازندگی بین مقایسه معیار کرمزمهاست. الگریتم ژنتیک به کمک تابع مسیر رسیدن به بهینه را میپیماید. صرتی تابع برازندگی بهخبی انتخاب نشد الگریتم ژنتیک کارایی خد را ازدست میدهد. فرض کنید پیرز یژگی تمام فرد شبکۀ یژگیه یا پیرز الگی بهترتیب بردارهای یژگی شبکۀ مرحلۀ باشد آنها ردی iام باشد. خرجی ر ی از پیشبینی شب میتان کل بردار F را پیمایش هر مرحله از ری شبکۀ متناظر با یژگی پیرز جاری مقدار یژگی را با الگریتم پیشخر محاسبه کرد. با کار الگی ردی متناظر با S خرجی محاسبه میشد. تابع برازندگی با نیز تجه به خاستۀ مسئله از ری ضعیت محاسبه میشد. آزمایشهاي انجامشده د ارائهشده رش عملکرد ارزیابی بهمنظر بخش آزمایش انجام شده است. آزمایش ال بر ری یک سری زمانی با معادلۀ ریاضی مشخص انجام شده است. ریاضی معادلۀ اعتبارسنجی ارائهشده رش میشد. از سی دیگر آزمایش دم سری دادهه یا استفاده بر ری یک اقعی کشارزی انجام شده است. اعتبارسنجی آزمایش نیز با آزمایشهای تجربی ارزیابی شده است. آزمایش ال رش ارائهشده مقاله بر ری یک سری زمانی با معادلۀ ریاضی مشخص پیادهسازی شده است. معادالت ریاضی سری زمانی زیر آمده است. مدل ریاضی غیرخطی قطعی پیسته است. نقاط زمانی t=25,50,,975,1000 عبارت دیگر بهعنان دادهه یا مقدار سری نمنهبرداری زمانی انجام شده است تنها همین آمزش انتخاب شده است. 13 به نقطه هدف کمینهبدن مقدار آزمایش پیداکردن y x مقادیر است. عالهبر z است حاصل جمع د مقدار همانق کمینهبدن x y اهمیت z کمینهبدن بیشینه نیز دارد بیشینهشدن بهشرط الزم شد. د مقدار x y نیز مهم است بنابر تابع ارزیابی ابستۀ y x z است. گفتنی است یکناخت انتخاب چهل شده از الگ بهعنان نظر گرفته میشد. با رش زمانی سری الگهای ارائهشده بهصرت باال اعمالشده مقاله بهمنظر انجام میشد. الین مرحله داده نرمالسازی مرحلۀ بعد با همین 13 داده بردارهای F Net ساخته میشد. جدل 1 مشخصات شبه یا پیرز نشته شده است. محاسبۀ خطای ارزیابی شب 1333 داده بهصرت یکناخت )از نظر فاصلۀ زمانی( تلید شده است. با دادهها خطای شب محاسبه شده است اما استفاده نشده است خطا هیچ بخشی از الگریتم صرفا عملکرد شب ارزیابی کاربرد دارد. با کمک بردارهای F Net میتان کل سری زمانی را کرد. با مدل پیادهسازی شده 1333 الگ از y x z تلید شده است. محاسبۀ خطای ارزیابی الگهای بهدستآمده با رابط زیرا نیست سادهای مضع ریاضی رابط ریاضی بین متغیرهای y x z پیچیده تنها رفتار y x z طل بهطر زمان مستقل مشخص است. فرض کنید زج د ) 1 (x 1,y 1,z ) 2 (x 2,y 2,z جد دارند. با تجه به رفتار مدل پیشنهادی قطعی تنها ردی مدل z است اگر z 1 بهق کافی به z 2 نزدیک باشد آنگاه ممکن است مقادیر x 1 x 2 همچنین مقادیر y 1 y 2 با هم برابر باشند بنابر خطا سه راستای x z y محاسبه میشد. صرتی مقدار خطا راستای z زیاد شد محاسبات خطا راستای x y پذیرفته نیست. ( ) ( ) ) 5(
نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 93 مقادیر x y را پیشبینی میکند. با کمک الگریتم ژنتیک باید مقادیر x y را بهگنهای پیدا کرد مقدار z کمینه شد. عالهبر کمینهشدن مقدار باید حاصل جمع د مقدار x y نیز بیشینه شد. همان اندازه کمینهبدن مقدار z اهمیت دارد بیشینهبدن حاصل جمع x y نیز مهم است به همین دلیل تابع برازندگی کرمزم بهصرت زیر تعریف شده است. )9( شکل 1. نمدار پیشبینی سري زمانی مربط به آزمایش ال. نقاط قرمزرنگ: نقاط پیشبینیشده خط آبی: نقاط سري زمانی اقعی. نمدار باال: نمدار پیشبینی سري زمانی فضاي x-y- -x نمدار پایین چپ: نمایش پیشبینی سري زمانی صفحة z z نمدار پایین راست: نمایش شایان ذکر است کرمزم الگریتم ژنتیک مقدار آن دارد ژن یک بخش تنها بنابر محددۀ مجاز هر ژن عددی است. تابع برازندگی با بردارهای یژگی نرمالشدۀ بین است z صفر تا یک پیرز شبکۀ نتایج 9 جدل نشان زمانی سری را میدهد. سطر ال جدل مربط به مقدار بهینۀ اقعی سری زمانی است. سطر بهعنان مرجع محاسبات نظر گرفته بهینۀ مقدار دم سطر میشد. را با الگریتم محاسبهشده نشان میدهد. د سطر آخر نیز خطای مطلق را نشان میدهد. مطلق نشان میدهد خطای ارزیابی معیار نتایج رش ارائهشده بهخبی تانسته است سری زمانی با تعداد 13 الگی آمزشی را مدل کند را ری آن انجام دهد. جدل 1. مشخصات شبه يا پیرز براي سري زمانی ردي شبکة پیرز خرجی شبکة پیرز خطاي آمزش شب )MSE( خطاي ارزیابی شب )MSE( 1,3122e-1 1,5392e-2 X شبکۀ ال z 1,9119e-1 1,5988e-2 Y شبکۀ دم z x جدل 2. خطاي پیشبینی مقادیر x y براساس مقدار z ) حالت نرمالشده( سري زمانی آزمایش ال. کچک بدن مقدار خطا راستاي x y نشانگر صحت مدلسازي شب است )خطا راستاي z بهق کافی کچک است(. خطا راستاي z خطا راستاي x خطا راستاي y 1,1585e-2 5,5321e-2 1,15e-13 میانگین مربعات خطا MSE( 3 ) 5,9e-9 5,1e-9 1,123e-2 میانگین 13 ق مطلق خطا MAE( ) جدل 3. نتایج بهینهسازي سري زمانی آزمایش ال z y x 9,5113 15,3333 مقدار بهینۀ اقعی 3,3119 9,5121 15,3181 مقدار بهینۀ محاسبهشده 3,3893 3,3938 3,3131 3,3311 خطای مطلق 3,3351 3,3323 خطای مطلق حالت نرمال 3,3323 آزمایش دم ماد مغذی مجد خاک انجام شده هدف آن آزمایش محصل چغنقند براساس شکر صد زن چغنقند است.
91 ارائۀ رشی با مجمعه دادۀ کچک به کمک شبکۀ عصبی... پیشبینی زن صد عامل زیادی مانند نع خاک میزان ماد مغذی مجد آب مؤثر است. مهمترین ماد تلید مؤثر مغذی چغنقند Na Mg Ca K است ]13[. آزمایش هدف بهمنظر زن ریشه صد شکر چغنقند است. N استخراج مقدار نرمال شده z خیر پذیرفتهبدن مقدار نرمال z بله محاسبۀ مقدارهای نرمال x y با بردارهای F Net محاسبۀ مقدارهای x y از ری مقادیر نرمالشده پذیرفتهبدن مقادیر x y خیر بله FT=F permissible FT=F max پایان شکل 2. الگریتم تابع برازندگی براي بهینهسازي مقدار z با تجه به مقادیر x y آزمایش ال پایگاه داده مرد استفاده سه مجمعه آزمایش بررسی تأثیر ماد مغذی مجد خاک بر ری زن ریشه صد شکر چغنقند انجام شده است. د سری آزمایش مزرعۀ تحقیقاتی دانشگاه صنعتی شاهرد ساله یا 1989 تا 1981 صرت گرفته سال 1981 آزمایشی ایستگاه تحقیقاتی ردشت اصفهان انجام شده است. آزمایشها مجمعا 91 الگی ماد مغذی خاک را تلید کردهاند. بخشی از الگها جدل مجمعه داده آمده است. آمده ]13[ است. هر الگ شامل میزان ماد مغذی افزدهشده به خاک )K Na Mg Ca N( است. هر الگی مجد مجمعه زن ریشه صد شکر چغنهای تلیدی تسط آن الگ نیز مجد است ]13[.
نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 95 جدل 4. بخشی از نتایج آزمایشهاي انجامشده براي بررسی تأثیر میزان ماد مغذي افزدهشده به خاک زن چغن صد شکر Na % 3,9529 آن بهترتیب مقادیر مربط به صد شکر زن ریشه کلسیم منیزیم نیترژن پتاسیم سدیم S % 11,9 11,2 11,1 11,3 15,1 15,9 15,2 11,1 11,9 11,2 11,1 11,3 18,1 18,9 18,2 W ton ha-1 23,3 23,1 23,8 21,5 21,1 25,3 25,1 11,1 15,3 15,1 15,8 19,5 19,1 11,3 11,1 Ca % 3,1313 3,1335 3,9359 3,9812 3,9183 3,9199 3,9139 3,9182 Mg % 3,9131 3,9133 3,9231 3,9235 3,9231 3,9232 3,9231 3,9131 3,9911 3,9983 3,9118 3,9318 3,1135 3,1358 N % 3,3131 3,3111 3,3158 3,3198 3,3131 3,3123 3,3113 3,3581 3,3315 3,8192 3,8211 3,8935 3,8181 3,8135 3,8313 K meq/100g 1,11118 1,11982 1,81338 1,38383 2,13315 2,55112 2,92133 1,38321 1,13911 2,31333 2,33191 2,31311 1,13821 1,92831 1,18125 3,9858 31211 3,2911 3,1523 3,1538 3,8181 9,1153 9,3135 1,3111 1,9311 5,1899 1,3219 3,1311 3,81331 پیادهسازي تحلیل نتایج بهدستآمده نمنه امکان 91 با از آنجا چنین پیچیدهای به رشه یا از رش ارائهشده ستی رش مقاله استفاده شده است. معملی جد ندارد نشاندادن مقاله 92 داده بهعنان دادهه یا آمزش آزمایش استفاده شده است. د دادۀ حذفشده از الگها ارزیابی بهترین الگها از نظر میزان تلید چغن است. از 92 داده 83 صد آمزش بقیه آزمایش کاربرد دارد. الین مرحلۀ رش ارائهشده مقاله نرمالسازی دادههاست. تحلیل آماری ماد مغذی افزدنی به خاک محددۀ مرد مطالعه زن ریشه صد شکر چغن نیز جدل 2 آمده است. یژگی با الگریتم مطرحشده مرحلۀ دم بردارهای شب شبه یا پیرز پیرز ساخته شده است. جدل را نشان میدهد. خطای 1 آزمایش مشخصات شب مربط به همان د الگی بهتر از مجمعه داده است رند آمزش حذف شده است. میدهد نشان 1 جدل الگریتم ارائهشده بهخبی د الگی حذفشده را پیشبینی میکند. جدل بین مقایسهای رش پیشنهادی با سه رش دیگر انجام شده است نتایج نشان میدهد مسئله عملکرد رش پیشنهادی بهتر بده است. جدل 5. تحلیل آماري براي ماد مغذي افزدنی به خاک محددة مرد مطالعه براي زن ریشه صد شکر چغن یژگی کلسیم )%( منیزیم )%( نیترژن )%( پتاسیم )meq/100g( سدیم )%( صد شکر )%( مینیمم 3,91 ماکزیمم 3,15 میانگین 3,922 انحراف 3,11 3,38 3,12 5,51 5,13 1,52 23,913 3,911 3,333 2,111 1,331 11,918 13,153 3,11 3,31 1,13 9,11 18,91 11,123 3,99 3,85 1,19 3,15 11,11 11,113 زن چغن ( -1 ha )ton
99 ارائۀ رشی با مجمعه دادۀ کچک به کمک شبکۀ عصبی... ردي شبکة پیرز جدل 6. مشخصات شبه يا خرجی شبکة پیرز پیرز براي بهینهسازي چغنقند خطاي دادهه يا شب )MSE( ارزیابی خطاي دادههاي آزمایش شب )MSE( 1,91883e-1 1,13122e-2 9,91318e-5 2,51151e-9 1,11111e-5 5,1191e-1 1,3112e-1 1,2111e-9 5,58538e-3 1,5539e-13 Ca N Mg K Na S,W S,W,Ca S,W,Ca,N S,W,Ca,N,Mg S,W,Ca,N,Mg,K شبکۀ ال شبکۀ دم شبکۀ سم شبکۀ چهارم شبکۀ پنجم رش جدل 7. مقایسة رش پیشنهادي با رشه داي سازماندهی دادهها یگر رديها خرجیها خطاي دادهه يا آزمایش )MSE( 3,3111 3,3599 3,9231 3,3111 93 داده آمزش 2 داده شبکۀ عصبی MLP مستقیم شبکۀ عصبی MLP ارن ارزیابی 5 دادۀ بهتر آزمایش 93 داده آمزش 2 داده رگرسین خطی چند ارزیابی 5 داده بهتر آزمایش 92 داده آمزش 5 داده بهتر آزمایش 93 داده آمزش 2 داده ردیهای شب: Na Mg Ca K N خرجیهای شب: W S ردیهای شب: W S خرجیهای شب: Na Mg Ca K N ردیهای شب: W S خرجیهای شب: Na Mg Ca K N 11 متغیره ]18[ رش پیشنهادی ارزیابی 5 داده بهتر آزمایش ردیهای شب: W S خرجیهای شب: Na Mg Ca K N مرحلۀ سم الگریتم ژنتیک ظیفۀ را ) ( عهدهدار است. آزمایش امکان اعتبارسنجی بخش جد ندارد اما شاید با یک آزمایش اقعی بتان آن را ارزیابی کرد. بهمنظر کافی است کرمزم انتخابشده الگریتم ژنتیک شامل د عدد حقیقی بین صفر یک مربط به مقادیر نرمالشدۀ زن چغن صد شکر چغنقند باشد. فلچارت تابع برازندگی الگریتم ژنتیک شکل 1 آمده است. رابطۀ 1 تابع بهینهبدن یک الگی مناسب از ماد مغذی را نشان میدهد. رابطه( ( قیمت الگی ماد مغذی اعمالشده به خاک است هزینۀ مصرفی را تلید چغن نشان میدهد. همانطر آمد خالص ناشی از فرش شکر مشخص است عاله بر هزینۀ است. ماد مغذی هزینههای دیگری نیز جد دارد مطالعه بررسی نشدهاند مطرح شده نقش مقدار بایاس را دارند. از آنجا الگریتم ژنتیک از تابع برازندگی بهعنان بین مقایسهگر چند کرمزم استفاده میکند مقدار بایاس تابع برازندگی بیتأثیر است. ( ) ( ) )1( مقدار نرمال زن ریشۀ چغن مقدار نرمال صد شکر شکل 3. کرمزم طراحیشده براي بهینهسازي زن صد شکر چغنقند
نشریۀ تخصصی مهندسی صنایع ۀ 25 شمارۀ 1 بهار 1931 91 استخراج مقدار نرمالشدۀ زن ریشه صد قند چغن خیر پذیرفتهبدن مقادیر زن صد شکر بله محاسبۀ مقدارهای نرمال ماد مغذی با بردارهای F Net محاسبۀ مقدارهای ماد مغذی از ری مقادیر نرمالشده پذیرفتهبدن مقادیر ماد مغذی خیر بله FT=F permissible FT=F max پایان شکل 4. الگریتم تابع برازندگی براي بهینهسازي تلید چغنقند نتیجهگیري مقاله رشی بهمنظر ارائه شده است. رش با بهکارگیری شبکۀ عصبی میشد ژنتیک ارزیابی خرجی از سپس به ردی انجام به کمک الگریتم صرت میگیرد. رش ارائهشده با د آزمایش شده است. آزمایش ال بهمنظر بر ری یک سری زمانی مشخص انجام شده آزمایش دم یک مجمعه دادۀ اقعی از صنعت کشارزی آزمایشهای نشانگر برتری بهکاررفته است. به کمک با رش ارائهشده انجام ارزیابی اقعی رش پیشنهادی شد. نتایج کم ی مجمعه داده نتایج مقایسه با با آن مقایسه رشه یا پیشین با مجمعه دادۀ محدد است. منابع 1. K. A. Ugwa and Agwu, A. (2012)."Mathematical Modeling As A Tool For Sustainable Development In Nigeria", International Journal of Academic Research in Progressive Education and Development, vol. 1, No. 2, pp. 251-258. 2. P. D. Cha., Dym C. L., and J. J. Rosenberg, (2000)."Fundamentals of modeling and analysing engineering systems," ed, 3. T. Berger, R. et al., (2013). "A survey of variability modeling in industrial practice", in Proceedings of the Seventh International Workshop on Variability Modelling of Software-intensive Systems, 2013.
92 ارائۀ رشی با مجمعه دادۀ کچک به کمک شبکۀ عصبی... 4. D.-C. Li and C.-W. Liu, "A neural network weight determination model designed uniquely for small data set learning," Expert Systems with Applications, vol. 36, pp. 9853-9858, 2009. 5. S. Ingrassia and I. Morlini, "Neural network modeling for small datasets," Technometrics, vol. 47, pp. 297-311, 2005. 6. A. Gosavi, 2015"Simulation-Based Optimization: An Overview", in Simulation-Based Optimization. vol. 55, ed: Springer US,, pp. 29-35. 7. R. H. Myers, D. C. Montgomery, and C. M. Anderson-Cook, Response surface methodology: process and product optimization using designed experiments vol. 705: John Wiley & Sons, 2009. 8. K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks are universal approximators," Neural Networks, vol. 2, pp. 359-366, 1989. 9. A. Gosavi, "Parametric Optimization: Response Surfaces and Neural Networks," in Simulation- Based Optimization. vol. 55, ed: Springer US, 2015, pp. 37-69. 10. Gholipoor, M. et al., (2012). "The optimization of root nutrient content for increased sugar beet productivity using an artificial neural network", International Journal of Plant Production, Vol. 6, No. 4, pp. 429-442. 11. Khazaii, J. (2016). "Genetic Algorithm Optimization", in Advanced Decision Making for HVAC Engineers, ed: Springer, pp. 87-97. 12. Ali M. Z., et al., (2017). "An improved رده of Real-Coded Genetic Algorithms for Numerical Optimization", Neurocomputing, 13. Bakirtzis A., and Kazarlis, S. (2016). "Genetic algorithms," Advanced Solutions in Power Systems: HVDC, FACTS, and Artificial Intelligence: HVDC, FACTS, and Artificial Intelligence, pp. 845-902. 14. J. Tang, C. Deng, and G.-B. Huang, (2016). "Extreme learning machine for multilayer perceptron", IEEE transactions on neural networks and learning systems, vol. 27, No. 4, pp. 809-821. 15. Abo-Hammour, Z. e., et al., (2013)."A Genetic Algorithm Approach for Prediction of Linear Dynamical Systems", Mathematical Problems in Engineering, Vol. 2013, p. 12. 16. A. L. E. Will, (2016). "Improvement of a Hybrid Evolutionary Model of Genetic Algorithms and Artificial Neural Networks", Boletín Técnico, ISSN: 0376-723X, Vol. 54, 17. I. Cruz-Vega, C. A. R. et al., (2016). "Genetic algorithms based on a granular surrogate model and fuzzy aptitude functions", in Evolutionary Computation (CEC), IEEE Congress on, pp. 2122-2128. 18. Grégoire, G. (2014)."Multiple linear regression", European Astronomical Society Publications Series, Vol. 66, pp, NO 45-72, 2014. اژگان انگلیسی به ترتیب استفاده متن 1. Parametric Optimization 2. Control Optimization 3. Response Surface Method 4. Widrow-Hoff 5. Non-linear Programming algorithm 6. Reinforcement Learning 7. Multi-Layer Perceptron 8. Back Propagation 9. Mean Square Error 10. Mean Absolutely Error 11. Multiple Linear Regression