پرسپترون چند لایه

در این تحقیق داده¬های مربوط به ناهنجاریهای دمایی کره زمین و بارش متوسط سالیانه ایستگاه تبریز در طی دوره آماری 1951-2005 استفاده شده¬اند. روشهای اصلی به¬کار¬ گرفته شده در این مطالعه عبارت است از روش تعیین ضریب همبستگی پیرسون، تحلیل مؤلفه روند سری¬های زمانی، رگرسیون خطی ساده و رگرسیون پولی¬نومیال به عنوان یک روش نیمه¬خطی و شبکه¬های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معکوس معنا¬داری بین بارش سالیانه تبریز و ناهنجاریهای دمایی کره زمین است. این به آن معنا است که غالباً با منفی¬شدن ناهنجاریهای دمایی کره زمین، بارش سالیانه تبریز افزایش¬پیدا کرده و ترسالی به¬وقوع می¬پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالیانه تبریز کاهش پیدا کرده و خشکسالی به وقوع می¬پیوندد. تحلیل مؤلفه روند بلندمدت سری¬های زمانی نشان می¬دهد که در طول دوره آماری از بارش متوسط سالیانه تبریز کاسته می¬شود، اما روند ناهنجاریهای دمایی کره زمین روندی افزایشی از خود نشان¬می¬دهد. ارتباط بارش متوسط سالیانه تبریز با گرمایش جهانی نیز با استفاده از شبکه¬های عصبی مصنوعی شبیه¬سازی شده است. نتایج حاصل از کاربرد روشهای مختلف در این مطالعه نشان می¬دهد که روش شبکه عصبی مصنوعی در مقایسه با روشهای رگرسیون خطی ساده و رگرسیون نیمه خطی پولی¬نومیال درجه 6، روش شبیه¬سازی بهتر و دقیقتر است. روشهای مختلف شبکه¬های عصبی مصنوعی به¬کار گرفته شده در این مطالعه نشان¬ می¬دهد که روش پرسپترون چند لایه با 3 لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار عالی در پیش¬بینی همبستگی بین سری¬ها دارد.

تبریز بعنوان یکی از پنج شهر بزرگ صنعتی و دومین شهر آلوده کشور به حساب می آید. مکانیابی مراکز صنعتی در غرب و جنوب غربی تبریز و وزش باد غالب در فصل های سرد از آن جهات، باعث آلودگی هوای شهر تبریز می شود. براساس اطلاعات اداره کل حفاظت محیط زیست استان آذر بایجان شرقی در سال 84، 60 درصد آلودگی هوای تبریز مربوط به صنایع سنگینی است که در جنوب غربی و غرب آن مکانیابی شده اند. در این مقاله یک مدل برمبنای رگرسیون چندگانه (روش خطی) و یک مدل دیگر بر اساس شبکه عصبی (روش غیرخطی) به منظور پیش بینی کوتاه مدت غلظت ازن برحسب شرایط آب و هوایی برای شهر تبریز ارایه شده و در ادامه به مقایسه نتایج به دست آمده از مدل خطی و غیر خطی پرداخته شده است. داده های هواشناسی این تحقیق شامل سرعت باد، رطوبت نسبی، جهت باد، درجه حرارت، بارندگی، فشار هوا، مقدار تابش و مقدار تبخیر از اداره هواشناسی تبریز (ایستگاه هواشناسی تبریز) و داده های آلودگی هوا (غلظت ازن) از اداره کل محیط زیست استان آذربایجان شرقی تهیه گردیده است. در این تحقیق داده های ماههای آذر و دی سال 1385 به صورت ساعتی مورد استفاده قرار گرفته است. داده های آلودگی هوا از میانگین چهار ایستگاه اندازه گیری موجود در تبریز، به دست آمده است. برای آموزش بهینه شبکه، پارامترهای هواشناسی در این پژوهش قبل از اینکه وارد شبکه شوند در محدوده 0 و 1 و غلظت آلودگی در محدوده 9/0- و 9/0 نرمالیزه شدند و از 1253 داده نرمالیزه شده 650 داده برای آموزش شبکه،404 داده برای تایید شبکه و 199 داده برای تست شبکه انتخاب گردید. نتایج به دست آمده نشان می دهند که مدل شبکه های عصبی توانایی بیشتری نسبت به روشهای خطی (رگرسیون چندگانه) داشته است. بطوریکه ضریب همبستگی در مدل رگرسیون چندگانه 45/0 در حالیکه ضریب همبستگی در شبکه های عصبی 91/0 بوده است.

چکیده در این تحقیق ، داده های مربوط به ناهنجاری های دمایی کره زمین و بارش متوسط سالانه ایستگاه جلفا در طی دوره آماری 2003-1960 استفاده شده است. روش های اصلی به کار گرفته شده در این مطالعه، عبارت از: روش تعیین ضریب همبستگی پیرسون، تحلیل مولفه روند سری های زمانی، رگرسیون خطی ساده و شبکه های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون، نشان دهنده همبستگی منفی و معکوس معنی داری بین بارش سالانه جلفا و ناهنجاری های دمایی کره زمین است. این، بدان معنی است که غالباً با منفی شدن ناهنجاری های دمایی کره زمین بارش سالانه جلفا افزایش یافته، ترسالی به وقوع می پیوندد و برعکس، با مثبت شدن ناهنجاری های دمایی کره زمین، متوسط بارش سالانه جلفا کاهش یافته، خشکسالی به وقوع می پیوندد. تحلیل مؤلفه روند بلند مدت سری های زمانی نشان می دهد که در طول دوره آماری از بارش متوسط سالانه جلفا کاسته می شود، اما روند ناهنجاری های دمایی کره زمین روندی افزایشی دارد. با استفاده از شبکه های عصبی مصنوعی، ارتباط بارش متوسط سالانه جلفا با گرمایش جهانی شبیه سازی شده است. نتایج حاصل از کاربرد روش های مختلف در این مطالعه نشان می دهد که روش شبکه عصبی مصنوعی در مقایسه با روش های رگرسیون خطی ساده روش شبیه سازی بهتر و دقیق تری است. روش های مختلف شبکه های عصبی مصنوعی به کار گرفته شده در این مطالعه نشان داد که روش پرسپترون چند لایه، با چهار لایه مخفی و الگوریتم آموزش پس انتشار، دارای قابلیت بسیار عالی در پیش بینی همبستگی بین سری هاست

سیل، یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبیه سازی بارش- رواناب، مدلی است با ساختار1-32-6 نرون در لایه های ورودی، پنهان و خروجی که مقادیر میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب؛ 23/0، 19/0 و 21/0 و ضریب همبستگی در بهترین سناریو به ترتیب؛ 98%، 97% و 96% می باشد که حاکی از همبستگی بالا و معنی داری بین مقادیر مشاهداتی و مقادیر پیش بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدله نمودن بارش- رواناب را به هنگام استفاده از پارامترهای ؤئومورفولوژیکی در حوضه فریدن به خوبی نشان می دهد.

هدف اصلی تحقیق استفاده از مدلی است که بتواند بین عناصر اقلیمی و آلودگی هوا ارتباط برقرار کند. بدین منظوراز سه مدل متفاوت شبکه عصبی احتمالی، مدل رگرسیون خطی و مدل پرسپترون چندلایه استفاده شد. برای این تحقیق از آمار یک ساله ی اداره ی حفاظت محیط زیست مشهد استفاده شد. این آمار مربوط به آلاینده های هوا شامل (CO- NO- O3- SO2) و آمار هواشناسی شامل پارامترهای اقلیمی (رطوبت نسبی، درجه حرارت، جهت باد و سرعت باد) می باشد. داده های آلودگی هوا از تعداد 11 ایستگاه آلوده سنجی جمع آوری شده است. این داده ها به صورت ساعتی بوده و سپس از آنها میانگین گرفته شد.پس ازدرون یابی فاصله معکوس وزندار وتحلیل داده ها به منظور پیش بینی روابط داده ها با استفاده از مدل شبکه عصبی داده ها به دسته های آموزشی(70%)، ارزیابی(15%) و تست(15%) طبقه بندی شدند. در این تحقیق برای تحلیل، از دسته ی داده های آموزشی استفاده شد. نتایج نشان داد که میزان میانگین مربعات خطا(MSE) و میانگین مطلق خطا (MAE) در مدل شبکه عصبی احتمالی پایین تر بوده و نتایج نشان داده است که مدل شبکه عصبی احتمالی، توانسته است رابطه منطقی بین آلودگی هوا و پارامترهای هواشناسی برقرار کند. از بین عناصر اقلیمی تاثیرگذار بر منواکسید کربن، رطوبت نسبی در ساعت 12:30و جهت باد بیشترین اثر را داشته اند، همچنین عواملی اقلیمی تاثیرگذار بر غلظت دی اکسید گوگرد رطوبت نسبی در ساعت 6:30 و درجه حرارت مطلق بوده است.

مالیات بر واردات یکی از منابع درآمدی دولت است که بخشی از آن به دلیل فرار مالیاتی در اختیار دولت قرار نمی گیرد. عوامل مختلفی بر فرار مالیاتی در بخش واردات مؤثرند که این عوامل، در این مقاله با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم تبرید تدریجی که قادر به تحلیل سیستم های غیر خطی است، مورد شناسایی قرار گرفته اند. به این منظور ابتدا چهار متغیّر توضیح دهنده فرار مالیاتی شامل بار مالیات بر واردات، اندازه دولت، سطح درآمد مالیات دهندگان و درجه بازبودن اقتصاد در مدل نهایی تصریح شده شبکه عصبی در نظر گرفته شدند. نتایج حاصل از تخمین فرار مالیاتی با استفاده از روش شبکه عصبی مصنوعی نشان می دهد طی سال های تحت بررسی فرار مالیاتی در واردات ایران دارای نوساناتی بوده و روند آن در دوره (1390-1350) نزولی بوده است. همچنین نتایج حاصل از تحلیل واریانس رگرسیون برآوردی بیانگر آن است که متغیّرهای بار مالیات بر واردات، اندازه دولت با ضرایب 236/0 و 492/0 دارای اثر مستقیم و معنی دار و متغیّرهای سطح درآمد مالیات دهندگان و درجه باز بودن اقتصاد با ضرایب (10/2-) و (92/7-) دارای اثر منفی و معنی دار بر روی میزان فرار مالیاتی در اقتصاد ایران هستند. مقادیر پیش بینی شده فرار مالیاتی در واردات ایران بر مبنای مدلسازی شبکه عصبی مصنوعی خطای کم تری را نسبت به پیش بینی فرار مالیاتی مبتنی بر رگرسیون برآوردی نشان می-دهد.

امروزه، تغییر کاربری اراضی و پوشش زمین به چالش مهمی در بسیاری از کشورها تبدیل شده است. این تغییرات تأثیر مستقیمی بر اجزای محیط زیست، ازجمله خاک، آب و اتمسفر، دارد. این موضوع باعث تغییر در پوشش سطح زمین و تبدیل عوارض طبیعی زمین، مانند خاک و پوشش گیاهی به بافت شهری می شود. باتوجه به اینکه شهر لاهیجان همانند بسیاری از شهرها ی ایران در سال های اخیر با گسترش ساخت وسازها مواجه بوده ، دچار تغییر و تحولات قابل توجهی درزمینه ی کاربری اراضی شده است. هدف پژوهش حاضر مدل سازی تغییرات کاربری اراضی با استفاده از پرسپترون چندلایه است. این مدل سازی با استفاده از یک سری متغیرهای مستقل که در محدوده ی موردمطالعه وجود دارد و نقشه های تغییرات که طی سال های مختلف تهیه شده اند، نقشه های پتانسیل انتقال را تهیه می کند. در این راستا، برای اجرای این مدل به منظور شناسایی مکان هایی که بیشترین پتانسیل را برای تغییر کاربری اراضی در آینده دارند، از نقشه های تغییرات کاربری بین سال های 1397-1389 به عنوان متغیر وابسته و چهار متغیر مستقل فاصله از جاده، فاصله از شالیزار، فاصله از جنگل و باغات و فاصله از اراضی ساخته شده به عنوان متغیرهای تأثیرگذار برای شبیه سازی تغییرات کاربری اراضی بهره گرفته شده است. نتایج حاصل از این پژوهش تولید نقشه های پتانسیل انتقال با شاخص ارزیابی صحت مدل 84.58 است که نشان می دهد متغیر فاصله از اراضی ساخته شده بیشترین تأثیر و فاصله از جاده کمترین تأثیر را بر تغییرات کاربری اراضی دارند.

روش های کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه گذاری شده اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت ها استوار است که بیشتر با روش های محاسبات نرم مطابقت دارد، که این روش ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوند زنی مطرح شد که با عنوان سیستم های ترکیبی هوشمند شناخته می شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می شود تا کاستی ها و نواقص روش های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل سازی شده است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتم Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient به ترتیب 5 0.053، 4 0.070 و 8 0.090 بدست آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه سازی و روش ترکیبی به ترتیب 0 0.019 و 0.0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم پذیری می باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده ی مناسب موفق تر بوده است.

امروزه ارزیابی توسعه فیزیکی شهری با استفاده از تکنیک های نوین سنجش از دور می تواند اطلاعات پایه ای را در اختیار برنامه ریزان قرار دهد و از این طریق نقشی مؤثر در مدیریت و بهبود کاربری اراضی شهر ایفا کند. هدف از این پژوهش، پایش و ارزیابی توسعه فیزیکی شهر تبریز در دوره 42 ساله (2014-1972) با استفاده از سامانه جدید (GEE) Google Earth Engine و پیش بینی تغییرات گسترش فیزیکی شهر تبریز با استفاده از مدل شبکه عصبی (MLP) است. نتایج این پژوهش نشان از قابلیت بالای فناوری GEE در استخراج پهنه های شهری طی دوره های مختلف دارد، بطوریکه این فناوری بخوبی توانست توسعه فیزیکی شهر تبریز را طی دوره 40 ساله ارزیابی کند. نتایج پیش بینی تغییرات حاصل از مدل MLP نشان دهنده ی این است که توسعه فیزیکی شهر تبریز در آینده رو به شمال شرقی و جنوب شرقی است و مدل اجرا شده از سال 1975 تا 2014 در قالب GEE و برای بیست سال آتی با استفاده از مدل تجربی شبکه عصبی مبتنی بر پرسپترون چندلایه اقدام به شبیه سازی و مدلسازی روند آتی توسعه کلانشهر تبریز نمود.