ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان

سال انتشار: 1395
کد COI مقاله: JR_ESRJ-7-4_002
زبان مقاله: فارسیمشاهده این مقاله: 2
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان

سید سعید قنادپور - دانشگاه صنعتی امیرکبیر
اردشیر هزارخانی - دانشگاه صنعتی امیرکبیر
ترانه رودپیما - دانشگاه صنعتی امیرکبیر

چکیده مقاله:

تجزیه و تحلیل داده ها به ما کمک می کند تا بدانیم چگونه می­بایست به نتایج مورد انتظار دست­یابیم، بنابراین برای دستیابی به پردازش هایی دقیق­تر، لازم است تا از بین تمام روش­های تحلیل اطلاعات، هر یک که برای موضوع تحت بررسی­مان مناسب­تر است را انتخاب نماییم. بدین منظور جهت آنالیز نمونه های حاصله از عملیات نمونه برداری سطحی سیستم مس پورفیری پرکام واقع در استان کرمان، تحت چهار مقدار طول و عرض نقاط نمونه­برداری، عیار عناصر مس و مولیبدن، از سه روش پرکاربرد K-نزدیکترین همسایه (KNN)، K میانگین (K-Means) و شبکه های عصبی بهره خواهیم گرفت. یکی از دیدگاه­های مهم در علم داده­کاوی برای تحلیل و بررسی روی حجم زیادی از داده ها و نمونه ها با مشخصه­های گوناگون، دیدگاه خوشه­بندی می­باشد. از معروف­ترین الگوریتم­های خوشه­بندی، الگوریتم KNN و K-Means می باشد که الگوریتم KNN بر اساس تخمین پیش می رود و روشی غیر پارامتری جهت کلاسه­بندی و رگرسیون­گیری و به دست آوردن روابط چندین متغیر می باشد در حالی که K-Means بر اساس یک معیار فاصله، داده ها را به K خوشه تقسیم می کند و پس از کلاسه­بندی داده ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می دهد. شبکه های عصبی در تشخیص الگو­ها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می توانند ابزاری سودمند باشند. به منظور شبیه­سازی و تخمین عیار مس، الگوریتم­های یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده اند. در مقاله پیش­ رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش ها در مواجهه با تعداد داده های محدود و هموار ساختن مسیر برای محققین می باشد. نتایج حاصله نشان می دهد که روش KNN با ضریب همبستگی مناسب­تر نسبت به شبکه های عصبی و K-Means برای تخمین عیار عنصر مس، موثر واقع شده است. امتیاز استفاده از روش KNN نسبت به دیگر روش­های تخمینی در مقاله پیش­ رو، ارائه­گر الگویی مشخص و دقیق به منظور تخمین عیار در مواجهه با تعداد داده های محدود به تصمیم گیران این صنعت می باشد.

کلیدواژه ها:

پرکام, داده کاوی, شبکه های عصبی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_ESRJ-7-4_002 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1266763/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
قنادپور، سید سعید و هزارخانی، اردشیر و رودپیما، ترانه،1395،مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان،https://civilica.com/doc/1266763

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395، قنادپور، سید سعید؛ اردشیر هزارخانی و ترانه رودپیما)
برای بار دوم به بعد: (1395، قنادپور؛ هزارخانی و رودپیما)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • منابع ...
  • البرزی، م.، ۱۳۸۹. آشنایی با شبکه های عصبی، انتشارات دانشگاه ...
  • زهرایی، ب. و تکشی، آ.، ۱۳۸۷. کاربرد روش های الگوریتم ...
  • قنادپور، س.س. و هزارخانی، ا.، ۱۳۹۱. بررسی رفتار سرب نسبت ...
  • قنادپور، س.س. و هزارخانی، ا.، ۱۳۹۲. بررسی چگونگی رفتار عنصر ...
  • قنادپور، س.س. و هزارخانی، ا.، ۱۳۹۲. برآورد مناطق امید بخش ...
  • Andrew, F., Weller, A.J., Harris, J. and Andrew, W., ۲۰۰۷. ...
  • Audibert, J.Y. and Tsybakov, A.B., ۲۰۰۷. Fast learning rates for ...
  • Bax, E., ۲۰۰۰. Validation of nearest neighbor classifiers: Ieee transactions ...
  • Bhattacharya, G., Ghosh, K. and Chowdhury, A.S., ۲۰۱۲. An affinity-based ...
  • Deegalla, S. and Boström, H., ۲۰۰۷. Classification of Microarrays with ...
  • Funahashi, K.I., ۱۹۸۹. On the approximate realization of continuous mappings ...
  • Ghannadpour, S.S. and Hezarkhani, A., ۲۰۱۵. Investigation of Cu, Mo, ...
  • He, J., Tan, A. and Tan, C., ۲۰۰۰. Comparative Study ...
  • Kamel, N., Ouchen, I. and Baali, K., ۲۰۱۴. A Sampling-PSO-K-means ...
  • Kuo, R.J., Suryani, E. and Yasid, A., ۲۰۱۳. Automatic Clustering ...
  • Lacassie, J.P., Roser, B.P., Ruiz-del-Solar, J., Roser, B. and Herv´e, ...
  • Meshkani, S.A., Mehrabi, B., Yaghubpur, A. and Alghalandis, Y.F., ۲۰۱۱. ...
  • Mora, J.L., Armas-Herrera, C.M., Guerra, J.A., Rodriguez, A. and Arbelo, ...
  • Ozturk, M.M. and Cavusoglu, U. and Zengin, A., ۲۰۱۵. A ...
  • Poloczek, J., Treiber, N.A. and Kramer, O., ۲۰۱۴. KNN Regression ...
  • Shang, W., Huang, H., Zhu, H., Lin, Y., Qu, Y. ...
  • Singer, D.A., ۲۰۰۶. Typing mineral deposits using their associated rocks ...
  • Tarkian, M. and Stribrny, B., ۱۹۹۹. Platinum-group elements in porphyry ...
  • Varaprasad, M., ۲۰۱۲. Algorithm for Clustering with Intrusion Detection Using ...
  • Weller, A.F., Corcoran, J., Harris, A.J. and Ware, J.A., ۲۰۰۵. ...
  • Wu, X. and Zhou, Y., ۱۹۹۳. Reserve estimation using neural ...
  • Xu, H., Lu, Sh. and Zhou, Sh., ۲۰۱۳. A Novel ...
  • Yang, Y., ۱۹۹۹. An evaluation of statistical approaches to text ...
  • Yang, Y. and Liu, X., ۱۹۹۹. A re-examination of text ...
  • Yang, J., Zhuang, Y. and Wu, F., ۲۰۱۲. ESVC- based ...
  • Yi, X. and Zhang, Y., ۲۰۱۳, Equally contributory privacy-preserving K-Means ...
  • Zhang, C., ۲۰۱۳. Study on the Application of Fuzzy KNN ...
  • Zu-Feng, W., Xiao-Fan, M., Qiao, L. and Zhi-guang, Q., ۲۰۱۴. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 21,042
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی