3 نتیجه برای شبکه‌های عصبی مصنوعی
علی‌اکبر قره آغاجی، مازیار پالهنگ و محسن شنبه، ،
دوره 24، شماره 2 - ( 10-1384 )
چکیده
شبکه های عصبی مصنوعی سیستمهای پردازش اطلاعات هستند. در سالهای اخیر این الگوریتمها مورد توجه محققان بسیاری برای مدلسازی فرایندهای مختلف و همچنین حل مسائل گوناگون قرار گرفته‌اند.در این تحقیق یک مدل شبکه عصبی مصنوعی برای پیش بینی خصوصیات کششی نخهای مغزی دار با رویه پنبه و مغزی نایلون ارائه می‌شود.
بدین منظوراز شبکه‌های چند لایه پیشرونده با الگوریتم آموزشی انتشار به عقب برای بررسی رابطه و ایجاد یک نگاشت بین پارامترهای تولید(نمره جزء رویه، نمره جزء مغزی، کشیدگی اولیه اعمالی به جزء مغزی و تاب اعمال شده به نخهای مغزی دار) و خواص کششی (استحکام و ازدیاد طول تا حد پارگی) نخهای مغزی دار استفاده می‌شود. نتایج حاصل نشان داد شبکه‌های عصبی مصنوعی یک روش موثر برای پیش بینی خصوصیا ت کششی نخهای مغزی‌دار است؛ به طوری که انحراف استاندارد خطای پیش بینی دسته‌های آموزش دهنده و آزمایش کننده همواره از انحراف استاندارد آزمایشات کمتر بود.
علی فتحی، علی‌اکبر آقاکوچک و غلامعلی منتظر، ،
دوره 26، شماره 2 - ( 10-1386 )
چکیده
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است.
از این رو حل اتصال T شکل و ضریب بزرگنمایی جوش (Mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین Mk در اتصالات T شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (MLP) طراحی و آموزش داده شده اند تا مقادیر Mk را در عمیقترین نقطۀ ترک و نقاط انتهایی آنها تحت تنشهای غشایی و خمشی تخمین بزنند. داده های استفاده شده برای آموزش و آزمون شبکه ها از داده های معتبر اجزای محدود استخراج شده است. مقایسۀ بین نتایج به دست آمده از شبکه ها و جدیدترین روابط منتشر شده برای محاسبۀ Mk نشان دهندۀ قابلیت بالای شبکه-های عصبی برای استفاده در این زمینه است.
مهدی خاشعی، شیدا تربت،
دوره 37، شماره 2 - ( 12-1397 )
چکیده
بحران‌های مالی موجود در نظام‌های بانکی ناشی از عدم توانایی در مدیریت ریسک‌های اعتباری است. امتیازدهی اعتباری یکی از تکنیک‌های مدیریت ریسک است که ریسک وام‌گیرنده را تحلیل می‌کند. در این مقاله با استفاده از مزایای روشهای هوش محاسباتی و محاسبات نرم یک روش ترکیبی جدید به‌منظور بهبود مدیریت ریسک‌های اعتباری ارائه شده است. در روش پیشنهادی، به‌منظور مدلسازی در شرایط عدم قطعیت، پارامترهای شبکه عصبی، شامل وزن‌ها و خطاها، به‌صورت فازی در‌نظر گرفته شده‌اند. در این روش، ابتدا سیستم مورد مطالعه با استفاده از شبکه‌های عصبی متامدل‌بندی شده و سپس با به‌کارگیری استنتاجات فازی تصمیم بهینه با بیشترین میزان برتری تعیین خواهد شد. نتایج حاصل از به‌کارگیری روش پیشنهادی بیانگر کارامدی و دقت بالای این روش در تحلیل مسائل امتیازدهی اعتباری است.
