برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

yi مقدار پیش بینی شده توسط شبکه عصبی مصنوعی، ydi مقدار واقعی، ym میانگین مقادیر واقعی و n فراوانی دادهها میباشد (Khajeh et al., 2012).
پردازش توزیعی اطلاعات، حساسیت شبکه را به وجود خطا کاهش میدهد. به دلیل اینکه تعداد زیادی نرون در یک زمان درگیر فعالیت هستند سهم هر یک از نرونها چندان حائز اهمیت نیست، بنابراین وجود خطا در یکی از آنها و نتیجهی آن تاثیر چندانی بر روی سایر واحدهای محاسباتی ندارد (میثاقی و محمدی، 1381).
سیگنال خروجی نرون، O میباشد که با معادله زیر شناخته میشود:
(3-3)

که در آن wj فاکتور وزن و (f (net تابع انتقال میباشد.
توابع انتقالی که بیشتر برای حل مشکلات رگرسیون خطی و غیر خطی استفاده می شوند، تابع انتقال سیگموئید (logsig)، تابع انتقال تانژانت سیگموئید هایپربولیک (tansig) و تابع انتقال خطی purelin)) میباشند (Khayet and Cojocaru, 2012). در این کار، tansig به عنوان تابع انتقال بین لایههای ورودی و پنهان، و نیز تابع انتقال خطی (purelin) به عنوان تابع انتقال بین لایه-های پنهان و خروجی، که توسط معادلات زیر نشان داده شده است مورد استفاده قرار گرفتند:
Purelin (O) = O (4-3)
الگوریتم BP تنوع بسیاری برای آموزش شبکه های عصبی دارد. در طول مرحله آموزش وزن (w) و بایاسها (b) به روش لونبرگ مارکوارت (LM)، تکرار و به روز رسانی شده تا همگرایی به مقدار خاص به دست آید (Zafar et al., 2012).
اصولا وارد کردن دادهها به صورت خام باعث کاهش سرعت و دقت شبکه میشود. از این رو برای جلوگیری از اشباع زود هنگام نرونها و یکسانسازی ارزش دادهها برای شبکه، بایستی ورودی خالص آنها در محدوده تابع سیگموئید قرار گیرد. این کار مانع از کوچک شدن بیش از حد وزنها شده و از اشباع زود هنگام نرونها جلوگیری میکند (کوچکزاده و بهمنی، 1384).
در گام اول تمامی ورودیها و خروجیها در طیف یکنواخت 0-1 با توجه به معادله زیر نرمال میشوند (Kumar et al., 2002):
(6-3)
که x متغیر، xmax بزرگترین مقدار و xmin کوچکترین مقدار است (Khajeh et al., 2013). در صورتی که اطلاعات استفاده شده در شبکه عصبی به یک حدود مناسب مقیاسبندی نگردد، شبکه هنگام یادگیری به یک نقطه همگرا نخواهد شد، یا نتایج معنی داری نخواهد داد (Khayet and Cojocaru, 2012).
پیش از شروع، باید دادههای ورودی را به سه گروه تقسیم نمود:
– دادههای آموزش: هدف از آموزش شبکههای عصبی، یافتن اندازه وزنها و بایاسها به نحوی است که خطای دادههای آموزش را به حداقل ممکن برساند. پس از آن که شبکه توسط این دادهها آموزش دید، وزنها مقدار نهایی خود را یافتهاند به نحوی که شبکه برای دادههای آموزش،کمترین مقدار را به دست میدهد (Khajeh et al., 2012).
ازجمله ضعفهای عمده در شبکه های عصبی، پدیده Overfitting است که این پدیده هنگامی بروز می کند که تعداد لایه ها و نرونها افزایش یافته و سیستم ظاهراً دقت قابل توجهی را از خود نشان میدهد و آموزش بیش از حد توسط شبکه صورت میگیرد. دادههای اعتبارسنجی از بروز این ضعف جلوگیری میکند (Khayet and Cojocaru, 2012).
درصد بالایی از دادهها برای آموزش انتخاب میشوند زیرا شبکه الگوهای حاکم بر ورودی و خروجیها را ببیند و خود را با شرایط متفاوت تطبیق دهد. در این روش، شبکه طراحی شده به کمک دادههای سری آموزشی، مورد تعلیم قرار میگیرد و علاوه بر آن شبکه در حین آموزش پیوسته با سری دادههای آزمایشی مورد آزمایش قرار میگیرد تا با انتخاب تکرارهای مناسب، آموزش بهینه شبکه مورد ارزیابی قرار گیرد (Nikravesh and Aminzadeh, 2001).
مرحله بعد تعیین لایههای ورودی و خروجی خواهد بود که مقادیر مربوط به pH، مقدار جاذب، زمان استخراج، غلظت شوینده ورودی و خروجی شامل یک نرون است که همان بازده استخراج به دست آمده، می‌باشد.

مطلب مرتبط :   دانلود پایان نامه درباره فرآیندها و دینامیکی

4-1- مقدمه
در این پژوهش، استفاده از ضایعات چای به عنوان جاذب ارزان قیمت و فراوان، جهت استخراج منگنز از محیط غذایی مورد بررسی قرار گرفته است. از یک بستر حاوی فاز جامد ضایعات چای، جهت پیش تغلیظ و جداسازی و نیز از طیف سنجی جذب اتمی شعله (FAAS) جهت تعیین مقدار یون مورد نظر استفاده شده است. دستیابی به بازدهی و بازیابی بالا در جداسازی و استخراج منگنز توسط روش استخراج با فاز جامد از نمونههای غذایی جزء اهداف این تحقیق میباشد و برای رسیدن به این هدف برخی عوامل مؤثر بر استخراج از قبیل pH، مقدار جاذب، زمان و غلظت شوینده برای شویش منگنز از جاذب مورد بررسی قرار گرفته و بهینه میشوند. از شبکه مصنوعی عصبی (ANN) جهت بهینه سازی فرایند استخراج مورد استفاده قرار میگیرد. سپس از این روش تحت شرایط بهینه، برای تعیین مقدار منگنز در نمونههای حقیقی استفاده گردید.

دسته بندی : علمی