مقایسه پارامترهای آموزش شبکه عصبی جهت نوفه زدایی در شناسایی سیستم

عموم روشهای شناسایی سیستم و تشخیص خرابی بر اساس آزمایش های لرزه ای قرار داشته و در مقابل نوفه های موجود در سیگنالها حساسیت از خود نشان می دهند. فرآیندهای کلاسیک نوفه زدایی خصوصا، روشهای حوزه فرکانسی که اغلب برای اهداف دیگری طراحی شده اند، در برخی موارد جوابگوی این حساسیت ها نمی باشند، لذا نوفه زدایی و روند کلی پردازش سیگنالی در این زمینه به عنوان یک بحث مستقل و بن یادی مطرح است که باید همراه با دیدگاه خرابی و شناسایی سیستم به آن پرداخت . شبکه های عصبی به مدل محاسباتی تطبیق پذیری اطلاق می گردد که ریشه آن در رشته های مختلفی مانند علوم اعصاب، ریاضیات آمار و فیزیک قرار دارد کاربرد اصلی این روش در زمینه مدلسازی ، تحلیل سری های ، زمانی شناسایی الگو پردازش سیگنال و کنترل است . در این تحقیق به مقایسه پارامترهای آموزش شبکه عصبی برای نوفه زدایی پرداخته می شود. برای این منظور سه سازه برشی خمشی محوری ۴، ۶ و ۸ طبقه تعریف شده اند و تعداد نورونها و الگوریتم های آموزش شبکه عصبی با یکدیگر مقایسه می شوند. طبق نتایج تعداد نورون های مطلوب در هر سازه شناسایی می شود و نتایج بیانگر آن است الگوریتم لونبرگ-مارکوات بهترین در آموزش داده ها می باشد.

کلیدواژه ها:

نوفه زدایی ، سازه خمشی برشی ، شبکه عصبی عمیق ، الگوریتم لونبرگ مارکوات ، روش گرادیان نزولی