ارزیابی کارایی مدلهای شبکه عصبی برای دیتاهای یک تابع سازه بهینه یابی شده فلزی با استفاده از روش k-fold

شبکه های عصبی مصنوعی که امروزه در کاربردهای فراوانی ارزش بالای خود را نشان داده اند، بر اساس مدل بیولوژیکی مغز جانوران بوجود آمده اند. این شبکه ها به واقع یک سیستم داده پردازی اطلاعات است که دارای خصوصیات اجرائی خاصی همانند شبکه های عصبی جانوری می باشد که از تعمیم یافتن مدلهای ریاضی آنها به وجود آمده اند. از مزایای این شبکه ها، سرعت زیاد آن در پاسخگویی است. همچنین این شبکه ها توان پاسخ گویی به سوال های بی جوابمان را با درصد خطاهای مختلف را دارا است. شبکه های عصبی در واقع همانند یک سیستم پاسخ گویی تجربی است که امکان خطا کردن دارد، اما هرچه بیشتر تجربه کرده باشد و هر چه تجربه کنندگانش (نورون ها) بیشتر باشند، کمتر دچار خطا می شود و نتیجه دقیق تری را به ما می دهد. تابعی که برای تحقیق فوق استفاده شده است یک تابع بهینه یابی شده سازه فلزی که دارای هفت پارامتر ورودی و یک پارامتر خروجی می باشد. در فرایند مدل سازی، شبکه ای بهینه محسوب می شود که همزمان با داشتن باالترین ضریب همبستگی، کمترین میانگین مربعات خطا را نیز دارا باشد، از این رو ارزیابی کارایی مدل پیشنهادی، با استفاده از روش k-fold cross validation مقایسه شد. در این مقاله سعی شده است تا با معرفی شبکه پرسپترون و آموزش شبکه به سه روش مختلف، در نهایت، کارایی مدل شبکه عصبی با ارزیابی شاخص های آماری رایج پرداخته شده است.

کلیدواژه ها:

شبکه عصبی ، نورون ها ، بهینه یابی ، k-fold ، ارزیابی شاخص های آماری