مقایسه و ارزیابی الگوریتمهای آموزشی شبکه ی عصبی مصنوعی در پیشبینی طبقه بندی جنس خاک

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 447

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

DCEAEM01_355

تاریخ نمایه سازی: 18 دی 1393

چکیده مقاله:

در تحقیق حاضر از الگوریتمهای آموزشی مختلف شبکهی عصبی مصنوعی به منظور پیشبینی طبقهبندی جنس خاک، استفاده وخروجی حاصل از آموزش آنها، مورد ارزیابی قرار گرفتهاست . در این مقاله مطالعات بر روی خاک منطقهای از شهرکرد صورت گرفته و ازیک بانک داده مشتمل بر 021 نمونه خاک استفاده شده است. دادههای مورد استفاده شامل نتایج حاصل از آزمایشهای ضربه و نفوذاستاندارد 0 ، طبقهبندی و حدود اتربرگ میباشد. به دلیل وجود الگوریتمهای آموزشی متنوع در شبکهی عصبی، انتخاب بهینهترین تابع آموزشی میتواند دقت پیشبینیهای شبکه را افزایش دهد. بدین منظور از چندین تابع و الگوریتم آموزشی در مدلسازی شبکهی عصبیمصنوعی استفاده و جهت ارزیابی عملکرد مدلهای ارائه شده، روابط ضریب جرم باقیمانده 2 ، ضریب تعیین 3 و مجذور میانگین مربعات خطا 4بکار گرفته شدهاست. مقایسه و ارزیابی آموزش با الگوریتمهای مختلف نشان میدهد استفاده از تابع آموزشی لونبرگ مارکوآرت - 5 با دقت بسیار بالا در آموزش شبکه، بهینهترین تابع آموزشی مورد استفاده در پیش بینی پارامترهای ژئوتکنیکی خاک از جمله جنس خاک می باشد.

کلیدواژه ها:

نویسندگان

حمیدرضا حسن نژاد

دانشجوی کارشناسی ارشد ژئوتکنیک، دانشگاه آزاد اسلامی واحد نجف آباد

محمدسیروس پاکباز

دانشیار دانشکدهی عمران، دانشگاه شهید چمران اهواز

رسول مهدی زاده

استادیار دانشکدهی عمران، دانشگاه آزاد اسلامی واحد نجف آباد

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 :