فهرس المقالات MLP Neural network

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - یک روش طبقه‌بندی ترکیبی برای تشخیص سرطان پستان با استفاده از الگوریتم ژنتیک و تنظیم چند مرحله‌ای وزن‌ها در شبکه عصبی MLP
  امین رضایی پناه سیدجواد میرعابدینی علی مبارکی
  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در ای أکثر

  امروزه با گسترش روز افزون علم، استفاده از سیستم های پشتیبان تصمیم می تواند کمک زیادی در سیاست های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم های هوشمند مصنوعی در پیش بینی و تشخیص سرطان پستان که یکی از رایج ترین سرطان ها در بین زنان می باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله ای وزن ها در شبکه عصبی MLP در دو لایه انجام می شود. در لایه اول، سه طبقه بند وجود دارد که به طور همزمان روی داده های مجموعه یادگیری آموزش می بینند. پس از اتمام آموزش خروجی طبقه بندهای لایه اول جمع آوری شده و به همراه داده های مجموعه یادگیری در مجموعه ای جدید قرار می گیرند. این مجموعه به عنوان ورودی به فراطبقه بند لایه دوم داده می شود و فراطبقه بند نگاشت میان خروجی های هر یک از طبقه بندهای معمولی لایه اول را با کلاس های خروجی واقعی مدل می کند. ساختار سه طبقه بند لایه اول و همچنین فراطبقه بند لایه دوم یک شبکه عصبی MLP است که وزن ها، ویژگی های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه سازی می شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می شود که با تست FNA ایجاد شده است. نتایج آزمایش ها روی مجموعه داده WBCD دقت 98.72% را برای روش پیشنهادی نشان می دهد که نسبت به الگوریتم های GAANN، CAFS عملکرد بهتری ارائه داده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - طراحی روشی به منظور حذف کاف از دستگاه پلی گراف در آزمون دروغ سنجی با استفاده از شبکه عصبی پرسپترون چند لایه
  محمدامین یونسی‌هروی مهدی آذرنوش
  در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمی أکثر

  در دروغ سنجی متداول، برای اندازه گیری تغییرات نسبی فشارخون از یک کاف استفاده می گردد. در این مطالعه هدف ارائهروشی برای حذف کاف است؛ به گونه ای که اطلاعات فشارخون سرخرگی به نحو مناسب دیگری به دست آید. برای این منظوربر اساس ارتباط حجم خون شریانی و فشار خون، مدلی برای تخمین سیگنال تغییرات فشار خون ارائه می شود . مدلسازی با یکشبکه عصبی پرسپترون چندلایه انجام شده است. خروجی مدل ارائه شده با سیگنال تغییرات فشارخون، در 3 سطح سیگنال، ویژگیو طبقه بندی بررسی شده و با ارائۀ معیارهای ارزیابی مناسب، اعتبار مدل مورد سنجش قرار گرفته است. نتایج ارزیابی مدل نشان داد4 می تواند سیگنال تغییرات فشار خون را تخمین بزند. همچنین / 9 وتوان نسبی خطای % 4 / که مدل ارائه شده با مقدار خطای نسبی % 8با به کارگیری سیگنال تخمینی تغییرات فشار خون، 80 % صحت تشخیص دروغ به دست آمد که برابر با نتایج حاصل از کاف استو قابل قیاس با کارهای مشابه میباشد. بنابراین مطالعه حاضر با تخمین تغییرات فشار خون بر اساس حجم خون شریانی ب ه درصدصحت قابل مقایسه ای دست یافته است و می تواند بدون استفاده از کاف فشار خون به عنوان روش مناسبی برای سیستم های پلی -گرافی دروغ سنجی پیشنهاد شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Determination of Lateral load Capacity of Steel Shear Walls Based on Artificial Neural Network Models
  Meisam Bayat Ali Delnavaz
  In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, hori أکثر

  In this paper, load-carrying capacity in steel shear wall (SSW) was estimated using artificial neural networks (ANNs). The SSW parameters including load-carrying capacity (as ANN’s target), plate thickness, thickness of stiffener, diagonal stiffener distance, horizontal stiffener distance and gravity load (as ANN’s inputs) are used in this paper to train the ANNs. 144 samples data of each of this parameters was calculated using SSW simulation in abaqus. Load-carrying capacity of SSW was estimated using radial basic function (RBF) and multi-layer perceptron (MLP) neural networks. Spread parameter in RBF and number of hidden layer, number of neurons in this layers and activation function in MLP optimized using a trial and error method. The results showed that the load-carrying capacity of SSW could estimate using RBF and ANN by 84 and 96 percent of precision respectively. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - کاربرد شبکه های عصبی مصنوعی برای شناسایی مشتریان راضی خدمات پس از فروش خودرو
  علیرضا فضل زاده محمدصادق زینلی کرمانی
  هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خ أکثر

  هدف این تحقیق توسعه یک مدل از شبکه های عصبی برای شناسایی مشتریان راضی برای بازاریابی ارایه سرویس های تعمیراتی خودروها بود. داده ها از بررسی ده سرویس دهنده خدمات خودرویی در ایران بدست آمدند. شبکه های عصبی چند لایه با تابع آموزش تانژانت هایپربولیک با الگوریتم آموزشی پیش خور برای ساخت مدل شناسایی به کار گرفته شد. نتایج مشخص ساخت که دقت مدل شناسایی آزمایش روی مدل بزرگتر از آن است که اتفاقی به نظر برسد. در خلال یک سری وزن های خاص موجود، اعتبار کلی هر یک از متغیرهای مستقل تولید شده کاملاً روشن می شود. این تحقیق تایید کرد که مدل شبکه عصبی برای شناخت الگوهای موجود داده های مشتری قابل استفاده است. مزایای استفاده از نقاط قوت مدل نشان داده شده است. مؤلفان معتقدند که مدل مفید است و به عنوان ابزار تحلیلی برای بازاریاب های خدمات تعمیراتی خودروها برای طراحی استراتژی بازار، مناسب است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - طراحی کنترل‌کننده عصبی- فازی تطبیقی آنلاین برای تضعیف پاسخ های لرزه ای سازه بنچمارک ۲۰ طبقه
  رسول ثابت عهد سید آرش موسوی قاسمی رامین وفائی پورسرخابی اردشیر محمدزاده یوسف زندی
  10.30495/civil.2023.698648
  در این مطالعه به طراحی یک کنترل‌کننده تطبیقی قوی و آنلاین در سیستم کنترلی فعال کابلی، جهت غلبه بر ارتعاشات لرزه‌ای در ساختمان‌های چندطبقه‌ای پرداخته می‌شود. در این پژوهش یک کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ جدید پیشنهاد شده که در تمام پارامترهای سیستم نامشخص در نظر گر أکثر

  در این مطالعه به طراحی یک کنترل‌کننده تطبیقی قوی و آنلاین در سیستم کنترلی فعال کابلی، جهت غلبه بر ارتعاشات لرزه‌ای در ساختمان‌های چندطبقه‌ای پرداخته می‌شود. در این پژوهش یک کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ جدید پیشنهاد شده که در تمام پارامترهای سیستم نامشخص در نظر گرفته می شود. از شبکه ی عصبی پیشخور چندلایه برای استخراج ژاکوبین و تخمین مدل سیستم سازه‌ایاستفاده می‌شود. سپس، مدل تخمین زده شده بر روی کنترل‌کننده به صورت آنلاین اعمال می شود. برای تنظیم نیروی کنترلی اعمال شده به سیستم کابلی و دستیابی به اهداف کنترلی، پارامترهای کنترل کننده به طور تطبیقی با استفاده از فیلتر کالمن توسعه یافته و الگوریتم پسانتشار خطا آموزش داده می شوند. در این روش از یک کنترل‌کننده PID نیز استفاده شده که منجر به استحکام و پایداری سیستم کنترل‌کننده پیشنهادی در برابر ارتعاشات لرزه‌ای می‌شود. همچنین جهت نشان‌دادن برتری سیستم کنترل‌کننده پیشنهادی از یک کنترل‌کننده تطبیقی ساده و آنلاین نیز استفاده می‌شود. این کنترل‌کننده که به‌عنوان مدل مرجع ضمنی است از فیلتر کالمن توسعه‌یافته برای تنظیم آنلاین پارامترهای کنترل‌کننده به‌عنوان یک نوآوری جدید استفاده می‌شود. در این تحقیق عملکرد هر دو کنترل‌کننده تحت تحریکات لرزه ای میدان دور و میدان نزدیک گسل بررسی می‌شود. بر اساس نتایج عددی به‌دست‌آمده، کنترل‌کننده عصبی- فازی تطبیقی نوع ۲ در به‌ حداقل‌ رساندن پاسخ‌های لرزه‌ای سازه در هنگام زلزله و رسیدن به اهداف کنترلی زمانی که ویژگی‌های پارامتری سازه تغییر می‌کند، در مورد نسبت دریفت بین طبقه‌ای تا ۲۱ درصد بهتر از کنترل‌کننده تطبیقی ساده آنلاین عمل می‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - کنترل تطبیقی سازه مبنای 3 طبقه مجهز به میراگر MR با استفاده از کنترل‌کننده مقاوم مرتبه کسری
  ام گلثوم جعفرزاده سید آرش موسوی قاسمی سیدمهدی زهرائی اردشیر محمدزاده رامین وفایی پورسرخابی
  10.30495/civil.2023.702326
  در این مطالعه، هدف پیشنهاد یک کنترل‌کننده PID مرتبه کسری تطبیقی است که پارامترهای آن به‌صورت آنلاین توسط پنج شبکه عصبی پرسپترون چندلایه با استفاده از فیلتر کالمن توسعه‌یافته تنظیم می‌شود. یک شبکه عصبی MLP که از طریق الگوریتم پس انتشار خطا آموزش داده شده است برای شناسایی أکثر

  در این مطالعه، هدف پیشنهاد یک کنترل‌کننده PID مرتبه کسری تطبیقی است که پارامترهای آن به‌صورت آنلاین توسط پنج شبکه عصبی پرسپترون چندلایه با استفاده از فیلتر کالمن توسعه‌یافته تنظیم می‌شود. یک شبکه عصبی MLP که از طریق الگوریتم پس انتشار خطا آموزش داده شده است برای شناسایی سیستم سازه ای و تخمین پلنت در نظر گرفته می‌شود. ژاکوبین مدل تخمین زده شده به صورت آنلاین برای اعمال به کنترل کننده استفاده می گردد. از آنجایی که جبرانساز شبکه‌های عصبی فازی نوع ۲ که توسط EKF و استراتژی یادگیری خطای بازخورد تنظیم شده است، پایداری و استحکام این کنترل‌کننده در برابر خطای تخمین، اختلالات لرزه‌ای و برخی توابع غیرخطی ناشناخته افزایش می‌یابد. به منظور اعتبارسنجی، عملکرد کنترل کننده پیشنهادی بر روی سازه مبنا غیرخطی 3 طبقه مجهز به میراگر نیمه فعال تحت زلزله های حوزه دور و نزدیک بررسی می شود. به منظور بررسی و اثربخشی کنترل کننده پیشنهادی مجهز به جبران کننده در کاهش پاسخ های لرزه ای، شاخص های ارزیابی مورد بحث و با کارهای قبلی مقایسه گردیدند. نتایج بیانگر آن است که کنترل کننده FOPID تطبیقی پیشنهادی عملکرد بهتری را نسبت به سایر کنترلرها داشته و بطوری که شاخص J2 در زلزله هاچینو با شدت 1.5، تا مقدار 35 درصد نسبت به دیگر کنترل کننده ها بهبود را تجربه کرده است و این میزان در زلزله نورثریج به بیش از 40 درصد نیز می رسد. دیگر شاخص ها ( J3 تا J6) نیز با استفاده از کنترل کننده پیشنهادی، بهبود قابل ملاحظه ای را تجربه کرده اند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  7 - ارائه مدل ترکیبی DEA-MLP در تشکیل سبدبهینه سهام: بررسی محتوای اطلاعاتی معیارهای حسابداری، معیارهای مبتنی بر ارزش و معیارهای BSC
  حسن فتاحی نافچی مهدی عربصالحی مجید اسماعیلیان
  این هدف می‌تواند با استفاده از روش‌ها و الگوریتم‌های مختلفی صورت پذیرد. هدف پژوهش حاضر تدوین مدل سبد بهینه سهام با استفاده از ترکیب روش‌های تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت و شبکه‌های عصبی MLP است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار أکثر

  این هدف می‌تواند با استفاده از روش‌ها و الگوریتم‌های مختلفی صورت پذیرد. هدف پژوهش حاضر تدوین مدل سبد بهینه سهام با استفاده از ترکیب روش‌های تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت و شبکه‌های عصبی MLP است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازه زمانی 1386 تا 1396 می‌باشد. برای تشکیل سبد بهینه سهام از تمام معیارهای موجود دسته‌بندی شده برای رسیدن به سبد سهام بهینه استفاده گردید. سپس نتایج به‌دست‌آمده در رویکردهای مختلف بر اساس معیار نسبت شارپ با هم مقایسه شد. یافته‌های حاصل از پژوهش حاکی از آن است که استفاده از ترکیب تحلیل پوششی داده‌ها، الگوریتم حذف دادهای پرت، شبکه‌های عصبی MLP و معیارهای حسابداری در تهیه سبد بهینه سهام منجر به افزایش نسبت شارپ در مقایسه با سایر رویکردها (ریسک و بازده، مبتنی بر ارزش و ارزیابی متوازن) می‌شود. به‌طورکلی به‌کارگیری هم‌زمان روش‌های ترکیبی بهینه‌سازی و معیارهای جامع استخراج‌شده از گزارش‌های حسابداری می‌تواند سبد سهام بهینه‌تر و مطلوبیت بیشتر را برای سرمایه‌گذاران به همراه داشته باشد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  8 - APPLICATION NEURAL NETWORK TO SOLVE ORDINARY DIFFERENTIAL EQUATIONS
  Nouredin Parandin Somayeh Ezadi
  In this paper, we introduce a hybrid approach based on neural network and optimization teqnique to solve ordinary differential equation. In proposed model we use heyperbolic secont transformation function in hiden layer of neural network part and bfgs teqnique in optimi أکثر

  In this paper, we introduce a hybrid approach based on neural network and optimization teqnique to solve ordinary differential equation. In proposed model we use heyperbolic secont transformation function in hiden layer of neural network part and bfgs teqnique in optimization part. In comparison with existing similar neural networks proposed model provides solutions with high accuracy. Numerical examples with simulation results illustrate the effectiveness of the proposed model. تفاصيل المقالة