کارایی الگوریتم کرم شب تاب و الگوریتم ژنتیک در تخمین ظرفیت تبادل کاتیونی خاک با شبکه های عصبی مصنوعی
محل انتشار: فصلنامه آب و خاک، دوره: 31، شماره: 5
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 112
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSW-31-5_015
تاریخ نمایه سازی: 8 آبان 1402
چکیده مقاله:
در دهه های اخیر اندازه گیری غیرمستقیم ظرفیت تبادل کاتیونی (CEC) با استفاده از توابع انتقالی مختلف موفقیت آمیز بوده است. شبکه عصبی مصنوعی (ANN) نسبت به روش های رگرسیون آماری دارای نتایج مناسب تری بوده ولی با داده های اندک کارایی بالایی نداشته و از سوی دیگر فاقد یک روش استقرایی جامع در انتخاب الگوریتم یادگیری شبکه و توقف در حداقل محلی است. در این راستا استفاده از الگوریتم های بهینه سازی ضروری به نظر می رسد. هدف از این تحقیق، ارزیابی کارایی الگوریتم های کرم شب تاب (FA) و ژنتیک (GA) در تخمین CEC با استفاده از ANN است. برای نیل به اهداف فوق ۲۲۰ نمونه از منطقه گلفرج به صورت تصادفی برداشته شد. سپس مدل سازی با سه مدل ANN، شبکه عصبی مصنوعی-ژنتیک (ANN-GA) و شبکه عصبی مصنوعی-کرم شب تاب (ANN-FA) انجام شد. در این تحقیق شبکه های عصبی با ساختار پرسپترون چندلایه، با الگوریتم پس انتشار خطا، تابع آموزشی بایزین و تابع محرک سیگموئید آکسون با ۵ نرون مناسب ترین ساختار بوده است. نتایج نشان داد که مدل ANN-FA دارای بیشترین کارایی بوده، به طوری که ضریب تبیین و میانگین انحراف مربعات خطا و ضریب نش- ساتکلیف به ترتیب در مرحله آموزش ۹۴/۰، ۳۱/۱ و ۵۳/۰ و در مرحله آزمون ۹۷/۰، ۰۶/۱ و ۵۹/۰ بوده و مدل ANN-GA در مقام دوم از نظر کارایی بوده است. میانگین هندسی نسبت خطا ۸۴/۰ برای مدل ANN-FA بوده که نشان دهنده بیش برآوردی نسبی آن است. نهایتا مدل پیشنهادی برای تخمین ویژگی خروجی مناسب بوده و کاربرد الگوریتم بهینه سازی کرم شب تاب و ژنتیک، حاکی از کاربردی بودن این الگوریتم ها در فرآیندهایی با طبیعت پیچیده و غیرخطی است.
کلیدواژه ها:
نویسندگان
مسلم ثروتی
دانشگاه ارومیه
حمیدرضا ممتاز
دانشگاه ارومیه
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 :