پرسپترون چندلایه

در این­ پژوهش، از شبکه­های عصبی مصنوعی ( Artificial Neural Networks ) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیش­بینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرم­افزار MATLAB-7 و در شاخه Neural Network ، برای پیش­بینی وتجزیه و تحلیل عناصراقلیمی کمک گرفته شد. ورودی مدل­های ANN ، داده­های میانگین­ماهانه بارش، دبی حداقل و دمای­بیشینه است که این داده­ها، بازه زمانی سال­های1360 تا1383 را در بر می­گیرند. اطلاعات20 ساله برای آموزش مدل ­ ها و 4 سال باقی مانده برای آزمایش آن­ها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه ( Multi - layer P erceptron ) با الگوریتم پس­انتشارِخطا ( Back Propagation ) و تکنیک یادگیری مارکوارت- لونبرگ ( Train LM: Levenberg-Marquardt ) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایه­های ورودی (6 مدل)، تعداد گره­ها در لایه­های پنهان و خروجی (2 الی20 گره) ایجاد گردید. نتایج حاصل از تحقیق حاضر، نشان می­دهد که در ­ میان الگوهای مورد بررسی، دمای­بیشینه، دبی و بارش، نقش مثبتی در پیش­بینی خشکسالی­های استان اصفهان داشته، با کاربرد شبکه عصبی مصنوعی می­توان با دقت بالای 95 درصد، سیکل خشکسالی استان را پیش­بینی نمود.

ضرور ی است که با بررسی دقیق مدل های پیش بینیکننده جدید و دارای قابلیت های مضاعف، ضمن مقایسه با روش های آماری متداول و یافتن نقاط قوت و ضعف هر یکاز آنها، بتوان در پژوهش های آتی مدلی که محققان را به بهترین پیش بینی رهنمون سازد، پیشنهاد نمود. هدف از پی­ریزی این پژوهش، مقایسه توانایی مدل شبکه عصبی و رگرسیون در پیش بینی رضامندی زناشویی بر­اساس ویژگیهای شخصیتی بود. روش: ا ین پژوهش همبستگی، روی 300 زوج که به روش نمونه­گیری تصادفی چندمرحله ای از میان دانشجویان متاهل 3 دانشگاه شهر تهران در سال 1387 انتخاب شدند، به انجام رسید. آزمودنی­ها پرسش­نامه های NEO-FFI و رضایت زناشویی ENRICH را تکمیل کردند . داده ها به کمکشبکه عصبی مصنوعی پرسپترون چندلایه ، رگرسیون چندگانه، آزمون معنی داری ضریب همبستگی پیرسون و آزمون T مستقل با نرم­افزار MATLAB 6.5 و SPSS 16 مورد تجزیه و تحلیل قرار گرفت. یافته­ها: شبکه عصبی پرسپترون چندلایه به طور معنی داری موفق تر از رگرسیون چندگانه توانست رضایت زناشویی را پیش بینی نماید (05/0>p). سه عامل روان آزرده گرایی مرد، مسئولیت پذیری مرد و مسئولیت پذیری زن توانستند 4/24% واریانس رضامندی زناشویی مردان را به طور معنی داری تبیین نمایند (037/0> p ). نتیجه­گیری: نتایج این پژوهش زمینه را برای طراحی شبکه عصبی با قابلیت پیش بینی رضامندی زناشویی فراهم میآورد که تاثیر شایانی در کیفیت مشاوره های خانواده در ا ی ران خواهد داشت

زمین لغزش نشان دهنده ی فرایندهای مورفودینامیک است که در زمین های شیب دار رخ داده و به واحد های مسکونی، صنعتی، باغات و زمین های زراعی آسیب می رساند. در این تحقیق برای پهنه بندی زمین لغزش در حوضه ی رودخانه گیوی چای از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش خور پس انتشار(BP)استفاده شد. جهت ارزیابی شبکه ی عصبی ایجاد شده، داده های 41 زمین لغزش رخ داده به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها در نرم افزار MATLAB،8 لایه متشکل از لایه های شیب، جهت شیب، DEM، لیتولوژی، فاصله از گسل، شبکه هیدروگرافی، کاربری اراضی و پراکنش زمین لغزش با استفاده از مطالعات میدانی، نقشه های توپوگرافی، نقشه های زمین شناسی و تصاویر ماهواره ای در نرم افزار Arc GISترسیم شد. این لایه ها جهت تغذیه به شبکه ی عصبی ایجاد شده و بر اساس بزرگترین مقدار موجود برای هر لایه نرمالیزه شده و در محدوده بین 1 و صفر قرار گرفتند. سپس داده های نرمالیزه شده به یک شبکه ی عصبی مصنوعی پرسپترون سه لایه پیش خور با الگوریتم پس انتشار خطا تغذیه گردید. داده های فوق ابتدا در شبکه آموزش دیده شد و سپس مورد آزمایش قرار گرفت. ساختار نهایی شبکه دارای 8 نرون در لایه ی ورودی، 20 نرون در لایه ی پنهان و 1 نرون در لایه ی خروجی می باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش در نظر گرفته شد. در نهایت با توجه به وزن خروجی، نقشه ی پهنه بندی زمین لغزش در پنج رده با خطر خیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج حاصل نشان داد که ساختار زمین شناسی شکل گرفته از آهک های کرتاسه و آندزیت های پرفیری و همچنین دسترسی به منابع رطوبتی بالا باعث شده که ارتفاعات شرقی کوه های بوغروداغ و آلاداغ در محدوده ی کوه های تالش از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند.

در این تحقیق، مدل تبرید تدریجی عصبی (NDE)با بهره گیری از ترکیب های ورودی مختلف برای تخمین بار معلق رسوبی روزانه به کار گرفته شد. به این منظور در اولین بخش از تحقیق، مدل NDEبا استفاده از داده های دبی روزانه و بار معلق رسوبی روزهای پیشین تعلیم داده شده و برای تخمین بار معلق رسوبی رودخانه گیوی چای مورد استفاده قرار گرفت. در دومین بخش از تحقیق، مدل NDE با استفاده از پارامترهای ضریب تبیین (R2) و خطای مجذور میانگین مربعات (RMSE )با مدل های سیستم استنتاجی فازی عصبی (ANFIS)و تابع پایه شعاعی (RBF) مقایسه گردید. نتایج نشان داد که مدل NDE با برخورداری از مقادیر ضریب تبیین (R2) معادل9586/0 و RMSE معادل 160 میلی گرم در لیتر در مقایسه با سایر مدل ها از قابلیت بهتری در تخمین بار معلق رسوبی برخوردار است. در تخمین حداکثر بار معلق رسوبی نیز مدل NDE، با برخورداری از مقادیر خطای نسبی (RE) معادل 47- درصد به نتایج بهتری دست یافته است.

حوضه های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی و لیتولوژیکی خواص، از میزان بالای تولید رسوب برخوردارند. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از سیستم استنتاجی فازی عصبی([1]ANFIS) بهره گرفته شده است. به این منظور داده های دبی روزانه و بار معلق رسوبی365 روز سال 1386 و 1387 ایستگاه رسوبی واقع در رودخانه زرینه رود برای تعلیم و آزمودن مدل های شبکه عصبی مصنوعی مورد استفاده قرار گرفته است. در کنار این مدل از مدل های پرسپترون چندلایه([2]MLP)، شبکه عصبی تابع پایه شعاعی([3]RBF)و منحنی سنجه رسوبی ([4]SRC) نیز بهره گرفته شد. سپس نتایج مدل ANFISبا مدل های فوق مقایسه گردید. برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا (RMSE)و خطای تبیین (R2)استفاده شده و مشاهده می شود که مدل ANFIS با برخورداری از خطای تبیین معادل 9087/0 و مجذور میانگین مربعات خطای معادل 224 میلیگرم در لیتر نسبت به سایر مدل ها به نتایج بهتری دست می یابد. کمترین میزان R2 و RMSEنیز برای مدل SRC به ترتیب معادل 8251/0 و 304 برآورد گردید. مقادیر آکائیک نیز برای مدل ANFIS معادل 1993 محاسبه شد که این امر نشان دهنده ی قابلیت بالای مدل ANFIS در تخمین بار معلق رسوبی می باشد.

استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی متوسط به منظور شناسایی، نظارت و پیش بینی مناطق ساخته شده شهری در دهه های اخیر توسعه یافته است. مهم ترین گام در پیش بینی رشد مناطق شهری، استخراج ویژگی های سطح شهر با دقت و صحت بالا و مهم ترین چالش در این راه پیچید گی عوارض شهری و مسئله پیکسل های مخلوط است. هدف از این تحقیق استفاده از مدل های تجزیه و تحلیل زیر پیکسل، برای استخراج عوارض سطحی شهر رشت به منظور پیش بینی برای تغییرات رشد آتی این شهر است. بدین منظور از سه تصویر لندست مربوط به سال های؛ 0991 (سنجنده TM)، 2002 (سنجنده +ETM) و5102 (سنجنده OLI/TIRS) و روش تجزیه و تحلیل طیف مخلوط نرمال شده (NSMA)، برای استخراج عوارض سطحی استفاده شد. برای طبقه بندی تصاویر از لایه های کسری پوشش به عنوان لایه های ورودی و عضوهای پایانی به عنوان نمونه های آموزشی و الگوریتم حداکثر احتمال به عنوان الگوریتم طبقه بندی کننده استفاده شد؛ که در نتیجه صحت کلی بالای 99%و ضریب کاپای بالای 89/0 برای تصاویر سه دوره بدست آمد. به منظور پیش بینی رشد شهری با شبکه عصبی در این تحقیق از مدل پرسپترون چند لایه(MLP)با الگوریتم یادگیری پس انتشار (BP) استفاده شد. نتایج مقایسه خروجی مدل با نقشه طبقه بندی سال 5102 ، ضریب کاپای 29%،کاپای استاندارد 98% و کاپای طبقه ای (برای طبقه ساخته شده) 39%، را نشان داد. مدل استفاده شده در این تحقیق در پیش بینی رشد مرزهای شهر موفق عمل کرده است، اما در پیش بینی مناطق ساخته شده انفرادی اطراف شهر صحت کمتری دارد.

در تجزیه و تحلیل و مدل سازی رشد فیزیکی شهر معمولاً عوامل اقتصادی- اجتماعی به دلیل عدم دسترسی به این داده ها نادیده گرفته می شوند. به همین دلیل در مدل سازی رشد فیزیکی شهرها تاکنون بر ایجاد لایه های اطلاعاتی از این نوع داده ها کمتر کار شده است. این مطالعه با هدف معرفی روشی کارا به منظور ایجاد لایه های اطلاعاتی برای داده های اقتصادی- اجتماعی و استفاده از این لایه های اطلاعاتی در کنار لایه های اطلاعاتی مستخرج از تصاویر ماهواره ای لندست و اطلاعات پیمایش زمینی به منظور مدل سازی رشد فیزیکی شهر کرج انجام شد. بدین منظور پس از ایجاد لایه های اطلاعاتی مختلف با اهمیت ترین متغیرهای مؤثر در رشد شهری با روش انتخاب ویژگی جنگل تصادفی تعیین گردید و سپس مدل سازی رشد فیزیکی شهر کرج برای سال های 2000 تا 2010 با استفاده از روش های رگرسیون لجستیک چند متغیره، پرسپترون چندلایه و روش نقشه خود سازمان دهنده انجام شد. نتایج نشان داد که استفاده از با اهمیت ترین متغیرهای مؤثر به عنوان ورودی در روش نقشه خود سازمان دهنده با دقت کلی 84.47، کاپا 68.93، ROC برابر با 90.72، FOM برابر با 43.98 و PCM برابر با 84.47 از عملکرد بهتری برخوردار بود، همچنین استفاده از خصیصه های اجتماعی- اقتصادی پیشنهاد شده در این تحقیق در کنار داده های سنجش ازدور می تواند به ارتقا عملکرد روش پیش بینی کننده کمک نماید. سرانجام با استفاده از سلول های خودکار پیش بینی رشد فیزیکی شهر در سال های 2017 و 2027 انجام گردید.

هدف از این پژوهش مدل سازی تغییرات مکانی تراکم پوشش گیاهی زیرآشکوب جنگل با توجه به ساختار اکوسیستم جنگل و فعالیت های طرح جنگلداری به عنوان یک مخاطره زیست محیطی می باشد. واحدهای همگن محیط زیستی با استفاده از منابع اکولوژیکی و سیستم اطلاعات جغرافیایی ، تهیه گردید . در این تحقیق به کمک شبکه های عصبی مصن وعی ، تراکم پوشش گیاهی زیرآشکوب جنگل بر اساس متغیرهای اکولوژیکی و انسانی شبیه سازی شد. شبکه پرسپترون چندلایه با یک لایه پنهان و 4 نرون در هر یک از لایه های مخفی و آرایش نهایی 1-4-23، با توجه به بیشترین مقدار ضریب تبیین آزمون شبکه (معادل 8576/0) و کمترین مقدار میانگین مربعات خطا و میانگین خطای مطلق (به ترتیب معادل 866/0 و 736/0)، بهترین عملکرد بهینه سازی توپولوژی را نشان می دهد. بر اساس نتایج آنالیز حساسیت، عوامل اکولوژیکی و انسانی شامل تراکم تاج پوشش توده، تراکم دام در جنگل، شدت فرسایش خاک و شدت کوبیدگی آن به ترتیب بیشترین تاثیر را در تغییرات پوشش گیاهی زیرآشکوب جنگل از خود نشان دادند. نتایج حاصله در این تحقیق در چهارچوب روش تجزیه و تحلیل سیستمی منجر به مدل سازی پوشش گیاهی زیرآشکوب جنگل در ارزیابی مخاطرات محیط زیستی طرح های جنگلداری و طراحی سامانه پشتیبان تصمیم گیری شده است که می تواند راه گشای تصمیم گیری در مورد ساختار طرح و اجرای پروژه های مشابه در مکان های مشابه باشد.

هرچند آمار دقیقی از تقلب در کارت های بانکی معتبرِ کشور وجود ندارد، به نظر می رسد تقلب در کارت های بانکی روند رو به رشدی دارد و می تواند در آینده نه چندان دور به یکی از معضلات سیستم بانکی کشور تبدیل شود. متأسفانه هنوز در کشورمان تحقیقات مناسبی در این خصوص صورت نگرفته و سیستم بانکی مدل یا مدل هایی کارا نیاز دارد که بتواند امنیت استفاده از کارت های بانکی را تضمین کند. لذا در این پژوهش، پس از شناسایی انواع تقلب های رایج در زمینه کارت های بانکی و شبیه سازی تراکنش های متقلبانه، با بهره گیری از شبکه های عصبی مصنوعی، مدلی برای طبقه بندی تراکنش ها به تراکنش های سالم و متقلبانه (مشکوک به تقلب) ایجاد شد. این مدل که از نوع شبکه عصبی پرسپترون چندلایه است، علاوه بر اینکه مبتنی بر سیستم بانکی داخلی کشور است، توانسته است با دقت 99درصد، عملکرد نسبتاً خوبی در طبقه بندی مزبور داشته باشد. با مقایسه معیارهای ارزیابی عملکرد محاسبه شده این پژوهش و نتایج مدل های ارائه شده در مطالعات دیگر، مشخص شد معیارهای ارزیابی عملکرد پژوهش حاضر از روایی و پایایی مناسبی برخوردارند