3-1-2-3             قابلیت تعمیم. 34
3-1-2-4             پردازش موازی. 34
3-1-2-5             مقاوم بودن. 35
3-2        توابع انتقال.. 35
3-2-1     خواص توابع سیگموئیدی. 35
3-2-2     تابع تانژانت هیپربولیک tansig. 35
3-3        معماری شبکه‌های عصبی. 37
3-3-1     نورون با یک بردار به عنوان ورودی. 37
3-3-2     شبکه یک لایه. 38
3-4        قوانین یادگیری.. 38
3-4-1     شبکه‌های پس انتشار. 39
3-4-2     شبکه‌های Feedforward. 40
3-4-3     آموزش شبکه. 40
3-4-3-1             الگوریتم پس انتشار. 41
3-4-3-2             الگوریتم Levenberg- Marquardt 41
3-4-3-3             توقف زودرس. 42
3-4-3-4             محدودیت‌های شبکه‌های پس انتشار. 42
فصل چهارم:منطق فازی و مدل ترکیبی عصبی-فازی (ANFIS) 43
4-1        مقدمه.. 43
4-1-1     سیستم‌های فازی. 43
4-1-2     تاریخچه. 44
4-2        منطق فازی چیست؟.. 45
4-2-1     توصیف منطق فازی. 45
4-2-2     دلایل استفاده از منطق فازی. 46
4-2-3     هدف منطق فازی. 47
4-3        اصول در منطق فازی.. 48
4-3-1     مجموعه‌های فازی. 48
4-3-2     توابع عضویت در منطق فازی. 49
4-3-3     عملیات منطقی. 50
4-3-4     قواعد if – then. 51
4-4        سیستم‌های استنتاج فازی.. 53
4-4-1     تعریف سیستم‌های استنتاج فازی. 53
4-4-2     استنتاج فازی به روش سوگنو. 54
4-4-3     مقایسه روش‌های ممدانی و سوگنو. 54
4-5        ANFIS  55
4-5-1     ANFIS چیست؟. 55
4-5-2     یادگیری مدل و استنتاج از طریق ANFIS. 55
4-5-3     ساختار FIS و تنظیم پارامتر. 55
4-5-4     شبکه های یادگیرنده تطابقی عصبی فازی ANFIS. 56
4-5-5     معتبرسازی مدل با استفاده از مجموعه داده‌های آزمایشی و داده‌های وارسی  58
4-5-6     محدودیت‌های ANFIS. 59
4-5-7     ساختار و نحوه‌ی ایجاد مدل نروفازی. 59
4-5-7-1             افراز شبکه‌ای. 60
4-5-7-2             کلاسترینگ تفاضلی. 60
4-5-7-3             C – Means فازی. 61
فصل پنجم: تدوین مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی.. 63
5-1        مقدمه.. 63
5-1-1     مدل‌های مورد استفاده. 65
5-1-2     مشخصات حوزه رودخانه و ایستگاه مورد مطالعه. 65
5-1-3     بررسی سازگاری داده‌ها. 68
5-2        انتخاب ورودی.. 69
5-2-1     انتخاب ورودی مدل‌ها برای شبیه‌سازی پارامترهای کیفی  69
5-2-2     انتخاب ورودی مدل‌ها برای پیش‌بینی پارامترهای کیفی  70
5-3        طراحی شبکه عصبی.. 72
5-3-1     تعداد لایه‌های مخفی مورد نیاز. 72
5-3-2     تعداد نورون‌های مورد نیاز لایۀ مخفی. 73
5-3-3     نوع توابع انتقال مورد استفاده. 73

5-3-3-1             نرمال سازی داده‌ها. 74
5-3-4     انتخاب توابع آموزش شبکه. 74
5-3-5     ساختار شبکه عصبی مورد استفاده. 76
5-3-6     الگوریتم شبکه عصبی طراحی شده برای شبیه‌سازی و پیش‌بینی تغیرات شوری  76
5-4        ارزیابی مدل‌ها.. 78
5-4-1     ریشه میانگین مربعات خطا. 78
5-4-2     میانگین درصد خطای مطلق. 78
5-4-3     ضریب کارایی شبکه. 78
5-4-4     میانگین خطای مطلق. 79
5-4-5     مجذور ضریب همبستگی. 79
5-5        نتایج پیش‌بینی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب  79
5-5-1     نروفازی  (ANFIS). 79
5-5-1-1             نروفازی در پیش‌بینیEC  با ساختار genfis2. 80
5-5-1-2             نروفازی در پیش‌بینیEC  با ساختار genfis3. 82
5-5-2     شبکه‌های عصبی در پیش‌بینی EC گام زمانی آینده ایستگاه گراب. 85
5-6        نتایج شبیه‌سازی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب  89
5-6-1     شیبه‌سازی TDS با نروفازی genfis1. 89
5-6-2     شیبه‌سازی TDS با نروفازی genfis2. 90
5-6-3     شبکه‌های عصبی در شبیه‌سازی TDS ایستگاه گراب. 91
5-6-4     مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی  94
5-7        مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین)   95
5-7-1 منطقه مورد مطالعه. 95
5-7-1     نتایج پیش‌بینی پارامتر کیفیTDS  رودخانه رود زرد  96
5-7-2-1             نروفازی در پیش‌بینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین. 96
5-7-2-2             شبکه‌های عصبی در پیش‌بینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین. 97
5-7-2-3             مقایسه نتایج پیش‌بینی مدل‌های شبکه عصبی و نروفازی  98
5-7-2 نتایج شبیه‌سازی پارامتر کیفی  TDSرودخانه رود زرد  98
5-7-3-1    نروفازی در شبیه‌سازی TDS  رودخانه رود زرد-ایستگاه ماشین  98
5-7-3-2             شبکه‌های عصبی در شبیه‌سازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین. 99
5-7-3-3             مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی رودخانه رود زرد  99
فصل ششم: نتایج و پیشنهادات.. 101
6-1        کلیات.. 101
6-2        مزایای پارامترهای کیفی مدلسازی شده.. 102
6-3        بهبود نتایج در تحقیقات آتی.. 104
منابع و مراجع:.. 106
الف: منابع فارسی. 106
ب: منابع لاتین. 107
پیوست الف : Genfis1. 110

یک مطلب دیگر :

پیوست ب   : Genfis2. 110
پیوست ت   : Genfis3. 111
فهرست اشکال
عنوان                …………………..  صفحه
شکل 3-1. تطابق و هم سنجی بین ورودی و هدف در شبکه‌های عصبی   31
شکل 3-2. تغییر خطای دسته آموزشی و آزمایشی به ازای تعداد تکرار آموزش   33
شکل 3-3. تغییر در قدرت حفظ و تعمیم بر اساس ورودی و خروجی   34
شکل 3-4. الف)تابع تانژانت سیگموئید        ب) مشتق تابع تانژانت سیگموئید   36
شکل 3-5. نمودار تابع انتقال تانژانت سیگموئید به ازای n های مختلف  36
شکل 3-6. الف) نورون با یک بردار به عنوان ورودی  ب) نمایش ساده لایه نورون‌ها  37
شکل 3-7. شبکه‌ای یک لایه با R ورودی و S نورون. 38
شکل 3-8. شبکه دو لایه tansig / purelin. 40
شکل 4-1. مکانیسم مربوط به ورودی و خروجی در حل مسئله   46
شکل 4-2. یک توصیف عمومی از سیستم استنتاج فازی.. 47
شکل 4-3. الف: درک انسان‌ها از فصول ب: تعریف نجومی فصول   48
شکل 4-4. دو تابع عضویت الف: تابع عضویت ذوزنقه‌ای ب: تابع عضویت مثلثی   49
شکل 4-5. الف: gbellmf تابع عضویت ناقوس تعمیم یافته ب: gauss2mf تابع عضویت ترکیب دو منحنی گاوسی ج: gaussmf تابع عضویت منحنی ساده گاوسی. 50
شکل 4-6. جداول درستی استاندارد AND، OR، Not برای استفاده در منطق فازی.. 50
شکل 4-7. جداول درستی استانداردAND, OR, NOT دو مقداری و چند مقداری.. 51
شکل 4-8. الف:  سیستم استنتاج فازی از قوانین اگر-آنگاه به صورت TSK ب: شبکه ANFIS با دو متغیر ورودی معادل با سیستم ارائه شده در الف… 58
شکل 5-1. سری زمانی مشاهداتی ماهانه EC ایستگاه گراب 16/11/61-15/6/84.. 66
شکل 5-2. سری زمانی مشاهداتی ماهانه TDS ایستگاه گراب  61-81   66
شکل 5-3. ضریب همبستگی و رابطه EC و TDS در ایستگاه گراب رودخانه آب شیرین.. 67
شکل 5-4. حوزه آب ریز زهره، رودخانه فهلیان، رودخانه آب شیرین، ایستگاه گراب.. 67
شکل 5-5. تحلیل جرم مضاعف برای بررسی سازگاری داده‌ها   69
شکل 5-6. خط تاخیر ترتیبی.. 72
شکل 5-7. طرحی از ساختار یک شبکه عصبی سه لایه با یک لایه پنهان   73
شکل 5-8. نمودار دو تابع انتقال مهم و پرکاربرد تابع واکنش سیگموئیدی   74
شکل 5-9. شبکه سه لایه tansig / purelin مورد استفاده در مدل‌سازی   76
شکل 5-10.                                                                                  فلوچارت شبیه‌سازی و پیش‌بینی تغییرات شوری با استفاده از ANN   77
شکل 5-11.        خطای RMSE برای داده‌های آموزشی، اعتبارسنجی و آزمایشی.. 81
شکل 5-12. پیش‌بینی EC در گام زمانی یک ماه آینده توسط genfis2  82
شکل 5-13. RMSE پیش‌بینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف.. 83
شکل 5-14.                                                             سری زمانی پیش‌بینی شده داده‌های آزمایشی EC ایستگاه گراب در گام زمانی یک ماه آینده توسط genfis3 .. 84
شکل 5-15.                    خطای اموزشی و اعتبارسنجی ANFIS تولید شده برای تکرارهای مختلف.. 84
شکل 5-16.                                                خطای آموزشی، اعتبارسنجی و آزمایشی پیش‌بینیEC باتعداد نرون‌های مختلف   86
شکل 5-17.                                             مقادیر مشاهداتی و پیش‌بینی شده EC یک ماه آینده توسطANN.. 86
شکل 5-18.                                                                                           نحوه کاهش خطا و فرایند تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش   87
شکل 5-19. خطای rmse شبکه‌های پس انتشار با الگوریتم‌های آموزشی مختلف.. 88
شکل 5-20.                                       شبیه‌سازی داده‌های آزمایشی TDS ایستگاه گراب توسط genfis1. 89
شکل 5-21.                                       شبیه‌سازی داده‌های آزمایشی TDS ایستگاه گراب توسط genfis2شیبه‌سازی TDS با نروفازی genfis3  90
شکل 5-22.                    شبیه‌سازی داده‌های آزمایشی TDS ایستگاه گراب توسط genfis3. 91
شکل 5-23.                    شبیه‌سازی داده‌های آزمایشی TDS ایستگاه گراب توسط ANN .. 92
شکل 5-24.                                                                               میانگین خطای آموزشی، اعتبارسنجی و آزمایش شبیه‌سازی باتعداد نرون‌ مختلف  93
شکل 5-25.                                                                                     فرایند کاهش خطا در تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش   93
شکل 5-26.          سری زمانی مشاهداتی TDS ماهانه رودخانه رود زرد- ماشین (1369-1386).. 96
شکل 5-27.                         مقادیر مشاهداتی و پیش‌بینی شده TDS یک ماه آینده توسطANFIS.. 96
شکل 5-28.                         مقادیر مشاهداتی و پیش‌بینی شده TDS یک ماه آینده توسطANN.. 97
شکل 5-29.                    شبیه‌سازی داده‌های آزمایشی TDS رودخانه رود زرد توسط genfis3. 98
شکل 5-30.                    شبیه‌سازی داده‌های آزمایشی TDS رودخانه رود زرد توسط ANN .. 99
فهرست جداول
عنوان              صفحه
جدول 5-1.                                                مشخصات آماری پارامترهای کیفی ایستگاه گراب.. 69
جدول 5-2.                                      تأخیرهای زمانی ورودی مدل‌های پیش‌بینی   71
جدول 5-3.                                                                 مشخصات آماری گام‌های زمانی مختلف پارامتر EC   71
جدول 5-4. خطای RMSE برای داده‌های آموزشی، اعتبارسنجی و آزمایشی پیش‌بینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف.. 83
جدول 5-5.                              پارامتر‌های مختلف خطای مدلسازی EC در مراحل آموزش، اعتبارسنجی و آزمایش مدل‌های پیش‌بینی با FIS ایجاد شده توسط genfis2 و genfis3 .  85
جدول 5-6. پارامترهای مختلف خطای مدلسازی هدایت الکتریکی در مراحل آموزش، اعتبارسنجی و آزمایش مدل‌های پیش‌بینی شبکه عصبی… 87