بهبود عملکرد شبکه عصبی مصنوعی در برآورد درصد رطوبت بهینه و تراکم بیشینه خاکها بوسیله طبقه بندی فازی

تاکنون مطالعات بسیاری درخصوص کاربرد شبکه های عصبی مصنوعی درمسائل مهندسی ژئوتکنیک انجام شده است همواره دستیابی به شبکه عصبی که توانایی ارایه پاسخ با کمترین خطای ممکن درشرایط مشابه را دارا باشد هدف اصلی بوده است این تحقیق سعی دارد که این فرایند را ازجهت ارایه الگویی برای انتخاب بهترین داده های لازم برای اموزش شبکه عصبی با استفاده ازروش طبقه بندی فازی Fuzzy C-Mean clustering مطرح نماید بدین منظور با هدف براورد درصد رطوبت بهینه ووزن وااحدحجم خشک بیشینه خاکها درازمایش تراکم استاندارد نتایج حدود 200 نمونه خاک جمع اوری شده است علاوه براین تعداد نمونه که جهت اموزش شبکه عصبی استفاده شده اند 16نمونه ازمایش دیگر برای ارزیابی اعتمادپذیری نتایج شبکههای عصبی اموزش دیده استفاده شده است به منظور تلفیق روش طبقه بندی فازی و شبکه عصبی یک برنامه با استفاده ازبرنامه متلب نوشته شده است که بهترین مجموعه اموزشی را با استفاده ازروش طبقه بندی فازی انتخاب نموده و برای اموزش به شبکه عصبی ارایه میدهد مقایسه نتایج نشان میدهد که استفاده ازطبقه بندی فازی باعث افزایش اعتمادپذیری نتایج شده و پاسخ شبکه عصبی بهبود یافته است

کلیدواژه ها:

سیستم های هوشمند ، شبکه عصبی ، طبقه بندی فازی ، درصدرطوبت بهینه ، وزن واحدحجم خشک بیشینه