بهینه سازی قاب های صلب ساختمانی تحت اثر بار زلزله به روش الگوریتم وراثتی و با استفاده از شبکه های عصبی

پایان نامه کارشناسی ارشد با عنوان: بهینه سازی قاب های صلب ساختمانی تحت اثر بار زلزله به روش الگوریتم وراثتی و با استفاده از شبکه های عصبی
دانشگاه سیستان و بلوچستان
استاد راهنما: دکتر محمدرضا قاسمی – پروفسور عیسی سلاجقه
پژوهشگر: احمد محمدزاده
بهار 1383
فرمت فایل: PDF و شامل 222 صفحه

چکیده:
بهینه کردن یک تابع عبارت است از تعیین متغییرهایی موثر بر تابع به روشی معین به طوری که مقدار این تابع به ازای آن متغییرها حداکثر یا حداقل شود و همزمان شرایط خاصی که بر آن مدل حاکم است ارضاء گردند. اگر در فرآیند بهینه سازی یک سازه، تابع هدف تعیین حداقل وزن آن سازه به ازای ارضاء تمامی شرایط طراحی باشد، در این حالت گوییم که کمینه سازی وزن سازه را انجام داده‌ایم. عمل بهینه سازی در یک سازه می‌تواند برای حالات مختلف بارگذاری انجام گیرد که در این تحقیق برای اولین بار بحث بهینه کردن وزن اسکلت قاب‌های دوبعدی ساختمان تحت اثر بارهای مرده، زنده، زلزله و ترکیب آن‌ها و تحلیل دینامیکی سازه به روش تاریخچه زمانی به عنوان هدف اصلی مطرح گردید. برای نیل به این هدف از روش بهینه سازی الگوریتم وراثتی که روشی مؤثر برای بهینه سازی با متغیرهای گسسته است، استفاده گردید. قیود طراحی نیز محدود کردن تنش‌های اعضاء و جابجایی حداکثر طبقه‌ی آخر می‌باشد که با کنترل روابط آیین نامه فولاد ایران (آفا) حاکم بر طرح سازه‌های فولادی انجام می‌گیرد اما ماهیت تصادفی بودن الگوریتم وراثتی همگرایی روش را کند می‌کند. از طرف دیگر با افزایش تعداد درجات آزادی سازه، بهینه سازی آن مستلزم صرف زمان‌های طولانی بوده و در برخی موارد غیر عملی می‌شود.
در راستای کاهش زمان بهینه سازی، در این تحقیق روش پردازش امواج برای کاهش تعداد نقاط مدل کننده‌ی منحنی تاریخچه زمانی مطرح گردید. با این روش می‌توان موج زلزله‌ی طرح را با تعداد نقاط کمتری مدل کرده و در نتیجه به میزان قابل توجهی از زمان تحلیل و به تبع آن زمان بهینه سازی کاسته خواهد شد. در این راستا از تکنیک پردازش امواج به روش تبدیلات موجکی استفاده گردید. این روش، روشی نوین در پردازش امواج در حوزه‌ی زمان – فرکانس می‌باشد. بدین ترتیب اطلاعات فرکانس – زمان به طور هم زمان پردازش گردیده و ارائه می‌شود. همچنین جهت هر چه بیشتر کارآمد کردن روش اتخاذ شده استفاده از سیستم‌های هوشمند مبتنی بر شبکه‌های عصبی تقریب ساز تحلیل سازه نیز به کار گرفته شده. برای این منظور از شبکه عصبی مصنوعی تابع بنیادی شعاعی استفاده گردید. این نوع شبکه عصبی، تاکنون در تقریب سازی تحلیل قاب‌های ساختمانی تحت اثر بارهای دینامیکی مورد استفاده قرار نگرفته بود. با استفاده از این نوع شبکه عصبی، الگوریتمی تهیه گردید که به ایجاد کاهش قابل ملاحظه‌ی زمان تحلیل سازه می‌انجامد. راهکارهای مطرح شده در متن اصلی پایان نامه به طور کامل تشریح شده و نتایج به دست آمده نشان از کارآیی روش‌های اتخاذ شده دارند.
برای هر یک از مراحل کاری این تحقیق برنامه‌های خاص آن مرحله، از جمله بهینه ساز به روش الگوریتم وراثتی، پردازش کننده امواج به روش تبدیلات موجک تهیه شده و برای تحلیل و طراحی سازه از برنامه‌های SAPSTL ، SAP90 به کار گرفته شد. همچنین از محیط نرم افزار MATLAB 6.5 جهت شبیه سازی شبکه‌ی عصبی مصنوعی تابع بنیادی شعاعی استفاده شده است.



می توانید نمونه نمایشی شامل 20 صفحه نخست پایان نامه را از لینک زیر دریافت کنید.
http://omidcivil.persiangig.com/sellfile/191n.zip/download

مشاهده آنلاین و دریافت فایل نمونه:
https://drive.google.com/file/d/0B3BBM5yT_t4ZRDA3ZzcybG5Nams


** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

دانلود مقاله مقدمه ای بر شبکه های عصبی (تعداد صفحات 48)

 این تحقیق با دو هدف اصلی زیر صورت گرفته است : 1.درک اولیه ای از شبکه های عصبی  2.شروع یک رویه تحقیقاتی بلند مدت روی یادگیری ویاد آوری در انسان. در این تحقیق از منابع بسیار متنوعی استفاده شده است . ابتدا یک بررسی اجمالی روی انواع شبکه های عصبی انجام شده است و نوع پرسپترون به دلیل کاربرد فراوان بیشتر شرح داده شده است. این تحقیق صرفا گرداوری است تا پس از تکمیل تر شدن اطلاعات شاید افقی جدید حاصل شود. سپس در باره یادگیری ماشین و نیز یادگیری انسان مطالبی مبسوط آورده شده است و در پایان با مقایسه یافته ها با برخی یافته های پزشکی چند قیاس انجام گردیده. در پایان خلاصه ای از مبحث پردازش تصویر که شبکه های عصبی در آن کاربرد ویژه ای دارند آمده است.

کلمات کلیدی : 

شبکه عصبی چیست

شبکه عصبی چه قابلیت هایی دارد

یادگیری شبکه عصبی

شبکه عصبی مصنوعی

یادگیری یک پرسپترون

الگوریتم های یادگیری پرسپترون

فضای فرضیه و بایاس استقرا

نگاهی به نظریه های یادگیری از دیدگاه علوم کامپیوتر

یادگیری مبتنی بر منطق و استنتاج

پایان نـــامه یادگیری عامل های مصنوعی

چکیده

 هدف اصلی از ارایه این پایان نامه، انتقال نظراتی است که در سالهای گذشته در تحقیقات مربوط به رشته یادگیری ماشین (زیر شاخه ای از هوش مصنوعی که بر روی برنامه هایی تمرکز می کند که از طریق تجربه به یادگیری می پردازند.) مطرح شده است. در ارایه این نظرات تلاش شده است که با حفظ دقت، از بیش از حد رسمی شدن پرهیز شود، هرجا که مناسب بوده الگوریتم های شبه برنامه نیز گنجانده شده تا نظرات را ملموس تر کند. به جای توضیح این زیر شاخه از هوش مصنوعی به سبک خاص خودش، سعی گردیده است تا تمام دانسته ها در این زمینه در یک چارچوب مشترک ارایه شوند. در این پایان نامه، نقش یادگیری به عنوان گسترش دسترسی طراح به محیط های ناشناخته توضیح وهمچنین نشان داده می شود که این نقش چگونه برای طراحی عامل ها محدودیت ایجاد می کند و از بازنمایی صریح دانش و استدلال پشتیبانی مینماید. این مبحث، روشهای تولید دانش مورد نیاز توسط اجزای تصمیم گیرنده را توصیف می کند، همچنین نوع جدیدی از این اجزاء (شبکه عصبی) را به همراه رویه های یادگیری مربوط به ان معرفی می نماید. بدین منظور به ترجمه بخش یادگیری از کتاب هوش مصنوعی راسل (فصول 18، 19، 20 و 21) مبادرت شده است. پنج مشخصه اصلی این پایان نامه عبارتند از: 1-ارایه دیدگاهی یکپارچه از رشته یادگیری ماشین. 2-تمرکز حول محور عاملهای هوشمند 3-پوشش جامع و به روز مطالب 4-تأکید یکسان هم بر مباحث نظری و هم عملی 5-درک مطالب از طریق پیاده سازی

مقدمه

هوش مصنوعی یکی از علوم جدیدی است که حدود نیم قرن از پدید امدن ان می­گذرد. علاوه بر ماهیت علمی این رشته، که در جایگاه بسیار با اهمیتی است، تأثیر غیرقابل انکاری بر اکثر فن اوری ها نیز داشته است. در این مبحث، به معرفی رشته یادگیری ماشین (زیر شاخه ای از هوش مصنوعی که بر روی برنامه ­هایی تمرکز می­کند که از طریق تجربه به یادگیری می­پردازند.) پرداخته می شود. در اکثر مباحث AIبدون در نظر گرفتن یادگیری ، فرض بر این است که تمام "هوشمندی" در یک عامل، توسط طراح عامل در ان بنا نهاده شده است. سپس به عامل اجازه داده می شود تا در محیطی رها شود و بهترین کاری را که برای عمل به ان برنامه ریزی شده است انجام دهد. اما این رویکرد (برای عامل یا طراح)، الزاما بهترین نیست. هرزمانی که طراح، دانش ناکاملی از محیطی که عامل در ان زندگی خواهد کرد، داشته باشد، یادگیری تنها راهی است که عامل می­تواند با استفاده از ان، هر انچه را که لازم است بداند، به دست اورد. بنابراین یادگیری، فراهم اورنده خودمختاری است، همچنین با دادن تجربه به سیستم یادگیری در دامنه کاربرد، روش خوبی برای ایجاد سیستم هایی با کارایی بالا فراهم می­کند.

 در ادامه در فصل اول، طراحی اصلی برای عامل های یادگیری معرفی می­شود و مسأله کلی یادگیری از طریق مثالها مورد ملاحظه قرار می­گیرد، همچنین یادگیری استقراییاز طریق مشاهدات شرح داده می­شود. فصل دوم نشان می­دهد که چگونه می­توان یادگیری را با استفاده از دانش قبلی بهبود بخشید. فصل سوم فرایند یاگیری در شبکه های عصبی (مجموعه هایی از عناصر پردازشی ساده و غیرخطی) را مورد بحث قرار می­دهد و چگونگی تدوین وظیفه یادگیری را به­عنوان یک فرایند استنتاج احتمالاتی بررسی می­کند. در فصل چهارم با مفروض داشتن بعضی بازخورها مثل کارایی عامل، به مسأله کلی از بهبود رفتار یک عامل می­پردازیم: چگونه یک عامل تنها با داشتن ادراکاتش و پاداش­های گهگاهی، می­تواند در یک محیط ناشناخته مهارت لازم را به دست اورد. سرانجام، فصل پنجم به جمع بندی مطالب گفته شد اختصاص دارد.

تعداد صفحات 240 word

فهرست مطالب

فصل یکم یادگیری از طریق مشاهدات.. 2

1-1- اَشکال یادگیری.. 3

1-2-یادگیری استقرایی.. 7

1-3-یادگیری درختان تصمیم.. 10

1-3-1 درختان تصمیم به عنوان عناصر کارایی.. 11

1-3-2 رسا بودن درختان تصمیم.. 14

1-3-3 استنباط درختان تصمیم از مثالها 16

1-3-4 انتخاب تستهای صفت... 23

1-3-5 ارزیابی کارایی الگوریتم یادگیری.. 25

1-3-6 اختلال و برازش کاذب.. 28

1-3-7 توسعه ی قابلیت اعمال درختان تصمیم.. 31

1-4- یادگیری گروهی.. 33

1-5- چرا یادگیری درست عمل می کند : نظریه یادگیری محاسباتی.. 40

1-5-1 چه تعداد مثال مورد نیاز است؟. 41

1-5-2 یادگیری لیستهای تصمیم.. 44

1-6 -خلاصه. 49

فصل دوم دانش در یادگیری.. 50

2-1- یک تدوین منطقی از یادگیری.. 51

2-1-1 مثالها و فرضها 51

2-1-2 جستجوی بهترین فرض جاری.. 54

2-1-3 جستجوی  حداقل  تعهد. 59

2-2- دانش در یادگیری.. 66

2-2-1 تعدادی مثال ساده. 67

2-2-2 تعدادی طرح کلی.. 68

2-3-یادگیری مبتنی بر تشریح.. 71

2-3-استخراج قوانین کلی از مثالها 73

2-4 - یادگیری با استفاده از ارتباط اطلاعات.. 78

2-4-1 تعیین فضای فرض.... 79

2-4-2 یادگیری و بهکارگیری ارتباط اطلاعات: 80

2-5- برنامه نویسی منطقی استقرایی.. 84

2-5-1 روشهای یادگیری استقرایی بالا به پایین.. 89

2-5-2 یادگیری استقرایی با استقرای معکوس... 94

2-6-خلاصه. 100

فصل سوم روشهای یادگیری اماری.. 102

3-1- یادگیری اماری.. 103

3-2-یادگیری با داده های کامل.. 109

3-2-1 یادگیری پارامتری حداکثر درستنمایی: مدلهای گسسته. 109

3-2-2 مدلهای خام بیزین.. 113

3-2-3 یادگیری پارامتری حداکثر درستنمایی: مدلهای پیوسته. 115

3-2-4 یادگیری پارامتری بیزین.. 117

3-2-5یادگیری ساختارهای شبکه بیزین: 121

3-3-یادگیری با متغیرهای پنهان: الگوریتم EM... 123

3-3-1 دسته بندی بدون نظارت: یادگیری ترکیبی گاوس... 125

3-3-2 یادگیری شبکةهای بیزین با متغیرهای پنهان.. 129

3-3-3 یادگیری مدلهای پنهان مارکوف.. 132

3-3-4 شکل کلی الگوریتم EM... 133

3-3-4 یادگیری ساختارهای شبکه بیز با متغیرهای پنهان.. 134

3-4-یادگیری نمونه محور. 136

3-4-1 مدلهای نزدیکترین همسایه. 136

3-4-2 مدلهای کرنل.. 140

3-5- شبکه های عصبی.. 142

3-5-1 واحدها در شبکه های عصبی.. 142

3-5-2 ساختارهای شبکه. 145

3-5-3 شبکه های عصبی پیشرو تکلایهای (پرسپترونها) 147

3-5-4 شبکه های عصبی پیشرو چندلایهای.. 154

3-6-ماشین های کرنل.. 163

3-7-مطالعة موردی : تشخیص ارقام دست نویس.... 168

3-8-خلاصه. 171

فصل چهارم یادگیری تقویتی.. 174

4-1-مقدمه. 175

4-2-یادگیری تقویتی غیر فعال.. 178

4-2-1 تخمین مستقیم سودمندی.. 180

4-2-2 برنامه ریزی پویای تطبیقی.. 181

4-2-3 یادگیری تفاضل موقتی.. 183

4-3-یادگیری تقویتی فعال.. 188

4-4-تعمیم در یادگیری تقویتی.. 196

4-4-1 کاربردها در انجام بازیها: 201

4-4-2 کاربرد در کنترل ربات.. 202

4-5-جستجوی خط مشی.. 204

4-6-خلاصه. 210

فصل پنجم جمع بندی و نتیجه گیری.. 214

فهرست واژگان: 217

فهرست اشکال

شکل 1-1. 8

شکل 1-2 درخت تصمیمی برای تصمیم درمورد این که ایا برای یک میز منتظر میمانیم یا خیر. 13

شکل 1-3- مثالهایی برای دامنه رستوران.. 16

شکل 1-4-تقسیمبندی مثالها بهوسیله تست بر روی صفات. 18

شکل 1-5- الگوریتم یادگیری درخت تصمیم.. 20

شکل 1-6- درخت تصمیمی که از مجموعه اموزشی مربوط به 12 مثال نتیجه شده است. 22

شکل1-7- منحنی یادگیری  برای الگوریتم درخت تصمیم  بر اساس 100 مثالی که بطور تصادفی در دامنه رستوران تولید شده اند. 27

شکل 1-8- تصویری از قدرت رسایی افزایش یافته که توسط یادگیری گروهی به دست امده است. 34

شکل 1-9-چگونگی کارکرد الگوریتم بوستینگ. 36

شکل1-10-گونه  ADABOOSTروش بوستینگ درمورد یادگیری گروهی. 37

شکل 1-11. 39

شکل 1-12- نمای طرح واری از فضای فرض که  نشان دهنده "ε–بال"اطراف تابع درست fاست. 42

شکل 1-13- یک لیست تصمیم برای مسأله رستوران. 44

شکل 1-14-الگوریتمی برای یادگیری لیست های تصمیم. 47

شکل 1-15- منحنی یادگیری برای الگوریتم یادگیری لیست تصمیمبر اساس داده های رستوران. منحنی یادگیری درخت تصمیم نیز برای مقایسه  نشان داده شده است. 48

شکل 2-1-(الف) یک فرض سازگار. (ب) یک منفی کاذب. (ج) فرض تعمیم یافته است. (د) یک مثبت کاذب. (ه) فرض تخصیص یافته است. 55

شکل 2-2- الگوریتم یادگیری جستجوی بهترین فرض جاری. این الگوریتم به دنبال یک فرض سازگار میگردد و زمانی که نتواند هیچ تعمیم/تخصیص سازگاری را بیابد عقبگرد میکند. 56

شکل 2-3- الگوریتم یادگیری فضای نمونه. این الگوریتم زیرمجموعه ای از Vرا مییابد که با مثالها سازگار باشد. 60

شکل 2-4- فضای نمونه شامل تمام فرضهای سازگار با مثالها میباشد. 62

شکل 2-5- بسط های اعضای  Sو G. هیچ مثال شناخته شده ای در بین دو مجموعه کران قرار نمیگیرد. 63

شکل 2-6-یک فرایند یادگیری فزاینده در طول زمان  از دانش زمینه اش استفاده میکند و به ان میافزاید. 67

شکل 2-7- درختان اثبات برای مسأله ساده سازی. 74

شکل 2-8- الگوریتمی برای یافتن یک تعیین کننده سازگار کمینه. 82

شکل 2-9- مقایسه کارایی بین RBDTLو DECISION-TREE-LEARNING.. 84

شکل 2-11-یک درخت خانواده معمولی. 87

شکل 2-12- خلاصه ای از الگوریتم FOIL.. 92

شکل 2-13- مراحل اولیه در یک فرایند تحلیل معکوس. 95

شکل 2-14-مرحله ای از تحلیل معکوس که یک گزاره جدید Pرا تولید می کند. 98

شکل 3-2. 111

شکل 3-3- منحنی یادگیری برای یادگیری خام بیزین.. 114

شکل 3-5- مثالهایی از توزیعbeta [a, b]  برای مقادیر مختلفی از [a, b]. 118

شکل 3-9-نمودارها نشان دهنده لگاریتم درستنمایی داده ها 128

شکل 3-10-(الف)یک مدل ترکیبی برای ابنبات. 129

شکل 3-11-شبکه بیزین پویا و گسترده ای که یک مدل پنهان مارکوف را بازنمایی می کند. 132

شکل 3-14-تخمین چگالی کرنل برای داده های.. 141

شکل 3-18-یک شبکه عصبی بسیار ساده با دو ورودی، یک لایه پنهان دو واحدی، و یک خروجی. 146

شکل 3-19. 147

شکل 3-20-تفکیک پذیری خطی در پرسپترونهای استانه. 149

شکل 3-21- الگوریتم یادگیری نزول گرادیان برای پرسپترونها 152

شکل 3-22-مقایسه کارایی پرسپترونها و درختان تصمیم. 152

شکل 3-23. 155

شکل 3-24-یک شبکه عصبی چندلایه ای با یک لایه پنهان و 10 ورودی، که برای مسأله رستوران مناسب است. 156

شکل 3-25-الگوریتم پس-انتشار برای یادگیری در شبکه های چندلایه ای. 158

شکل 3-26-. 161

شکل 3-29. 168

شکل 4-6-کارایی یک عامل ADPحریص که به اجرای اقدامی می پردازد. 190

شکل 4-7-کارایی عامل ADPاکتشافی که از R+=2و Ne=5   استفاده می کند. 192

شکل 4-10 تصاویری از یک هلیکوپتر خودمختار که در حال اجرای یک مانور دایره ای بسیار سخت می باشد  211

توجه : در حدود 10 صفحه از نوشته های پایان نامه به عکس می باشد و همچنین فرمول ها

مبانی نظری ارزیابی عملکرد و کارآیی شرکت با مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (Neuro-DEA)

مبانی نظری ارزیابی عملکرد و کارآیی شرکت با مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (Neuro-DEA)

مقدمه: ارزیابی عملکرد شرکت ها همواره از مسأله های چالش برانگیز در حوزه های مدیریت بوده است. اندازه گیری کارایی خصوصاً در دو دهه ی اخیر، به علت اهمیت آن در ارزیابی عملکرد، مورد توجه زیادی قرار گرفته است. از سال 1957 که فارل روشی را برای اندازه گیری کارایی مطرح کرد تاکنون بازنگری های جامع و اساسی در موضوع اندازه گیری کارایی صورت گرفته است. هم چنین دیدگاه های پارامتری و غیر پارامتری به طور گسترده ای در ارزیابی کارایی مورد استفاده قرار می گیرند. ضمن این که دیدگاه های اولیه عمدتاً شامل مرزهای قطعی و مرزهای تصادفی بوده و بعدها دیدگاه هایی مثل DEA و FDH نیز مطرح شده است.[2005،Delgado] روش های بسیاری برای اندازه گیری کارایی در تحقیقات مربوط مطرح شده است؛ اما در مقایسه بین تمامی مدل های فوق، DEA روش بهتری برای سازماندهی وتحلیل داده هاست؛ زیرا اجازه می دهد که کارایی در طول زمان تغییر کند و به هیچ گونه پیش فرضی در مورد مرز کارایی نیاز ندارد. [Wu et al, 2005] بنابراین بیش از سایر دیدگاه ها در ارزیابی عملکرد مورد استفاده قرار گرفته است و تکنیک مناسبی برای مقایسه ی واحدها در سنجش کارایی به شمار می آید. با این وجود مرز کارایی که از DEA حاصل شده نسبت به اغتشاش های آماری و داده های پرت که در اثر خطای اندازه گیری یا هر عامل خارجی دیگر ایجاد می شود، حساس است و اگر در داده ها اغتشاش آماری یا داده ای پرت وجود داشته باشد ممکن است موجب شود تا مرزکارایی به دست آمده جابه جا شود و مسیر تحلیل های DEA را منحرف سازد.[ Wu et al, 2005 & Bauer,1990 ] به همین علت باید در استفاده از DEA برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد. وجود این مسأله باعث شده است که اخیراً شبکه های عصبی مصنوعی به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود؛ [Wang,2003] زیرا ماهیت عملکرد شبکه های عصبی به دلیل قدرت یادگیری و تعمیم پذیری به گونه ای است که در برابر داده های پرت و اغتشاشات حاصل از اندازه گیری غیر دقیق داده ها مقاوم تر عمل می کنند. [مهرگان و همکاران، 1385]

فهرست مطالب:

2- ادبیات و پیشینه تحقیق

2-1- مقدمه

2-2- ارزیابی عملکرد

2-2-1- مقدمه

2-2-2- پیشینه ارزیابی عملکرد و بررسی دیدگاه های مختلف

2-2-3- معیارها و تکنیک های ارزیابی و اندازه گیری عملکرد

2-2-3-1- معیارهای ارزیابی عملکرد

2-2-3-2- تکنیک ها و مدل های شناخته شده در ارزیابی عملکرد

2-2-3-3- تکنیک های اندازه گیری عملکرد

2-3- معرفی تفصیلی DEA، ANNs و

NEURO/DEA 2-3-1- معرفی تفصیلی

DEA 2-3-1-1- مدل نسبت

CCR 2-3-1-2- مدل های ورودی محور

2-3-1-2-1- مدل مضربی CCR ورودی محور

2-3-1-2-2- مدل پوششی CCR ورودی محور

2-3-1-3- مدل های خروجی محور

2-3-1-3-1- مدل مضربی CCR خروجی محور

2-3-1-4- روش اندرسون- پیترسون

2-3-2- شبکه های عصبی مصنوعی (ANNs)

2-3-2-1- معرفی تفصیلی

2-3-2-2- معنای شبکه های عصبی

2-3-2-3- قابلیت یادگیری

2-3-2-4- پراکندگی اطلاعات "پردازش اطلاعات به صورت متن"

2-3-2-5- قابلیت تعمیم

2-3-2-6- پردازش موازی

2-3-2-7- مقاوم بودن

2-3-2-8- مدل نرون

2-3-2-9- ساختار شبکه های عصبی

2-3-2-10- شبکه های پرسپترون

2-3-2-10-1- شبکه پرسپترون تک لایه

2-3-2-10-2- شبکه پرسپترون چند لایه

2-3-2-10-3- الگوریتم پس انتشار

BP 2-3-2-11- تعیین ساختار و توپولوژی شبکه عصبی

2-3-2-12- الگوریتم های یادگیری شبکه

2-3-2-13- مدل خودسازمان ده

SOM 2-3-3- مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (NEUEO/DEA)

2-3-3-1- مقدمه

2-3-3-2- الگوریتم تحلیل کارایی

2-3-3-3- نرمال سازی داده ها

2-4- پیشینه تحقیق

2-4-1- بررسی مقالات

2-4-2- بررسی پایان نامه ها

منابع کامل در انتهای فصل آورده شده اند

فرمت: doc  تعداد صفحات: 53 صفحه

منابع این فصل در انتها آورده شده است.

تحلیل و طراحی شبکه های دو لایه ای با به کارگیری روش های بهینه سازی و شبکه های عصبی

• رساله دکتری مهندسی عمران گرایش سازه با عنوان: تحلیل و طراحی شبکه های دو لایه ای با به کارگیری روش های بهینه سازی و شبکه های عصبی 

• دانشگاه علم و صنعت ایران 

• استاد راهنما: دکتر محمدعلی برخورداری – دکتر علی کاوه 

• پژوهشگر: جعفر کیوانی 

• سال انتشار: اسفند 1380 

• فرمت فایل: PDF و شامل 210 صفحه

چکیــــده:

با توجه به گسترش روزافزون ساخت ساختمان‌های بزرگ با دهانه‌های وسیع مانند استادیوم‌ها، نمایشگاه‌ها، سالن‌های اجتماعات، مصلاها و آشیانه‌های هواپیما، مطالعه در زمینه تحلیل، طراحی و بهینه یابی شبکه‌های دو لایه‌ای، که برای پوشش سقف این گونه سازه‌ها به کار می‌رود، امری ضروری است. در طراحی بهینه سازه‌های پرعضو که با تغییر توپولوژی و مشخصات هندسی آنها سازه‌های متنوعی ایجاد می‌شود، به کارگیری روش‌های تقریبی موجب صرفه جویی در زمان محاسبات می‌گردد.

موضوع این پایان نامه مطالعه پارامتریک شبکه‌های دو لایه‌ای برای تحلیل و طراحی بهینه سازه و نیز استفاده از شبکه‌های عصبی مصنوعی برای تحلیل و طراحی تقریبی شبکه‌های دو لایه‌ای است.

در این رساله، ضمن بررسی ادبیات مربوط به رفتار شبکه‌های دو لایه‌ای و جنبه‌های مختلف تحلیل و طراحی این سازه‌ها، چهار نوع تاشه از این سازه شامل مربع روی مربع، مربع روی مورب، مورب روی مربع و مورب روی مورب با متغیرهایی مانند تعداد چشمه، نوع تکیه گاه و اندازه ارتفاع تحت اثر بارهای قائم از نظر وزن و خیز مورد بررسی و مقایسه قرار گرفته و مناسب‌ترین آنها از نظر توپولوژی برای آموزش شبکه‌های عصبی انتخاب شده است. در این پایان نامه ضمن بررسی پیشینه تحقیقاتی در زمینه کاربرد شبکه‌های عصبی در تحلیل و طراحی سازه‌ها، دو نوع شبکه عصبی با الگوریتم‌های پس انتشار خطا و پایه شعاعی برای تحلیل و طراحی و پیش بینی وزن و خیز شبکه های دو لایه‌ای به کار گرفته شده و کارایی آنها با توجه به دو عامل سرعت و دقت مقایسه شده است.

مطالعات پارامتریک انجام شده نشان می‌دهد که با توجه به شرایط و قیود در نظر گرفته شده، تاشه مربع روی مربع از نظر تعداد عضو و گره از سایر تاشه‌ها اقتصادی‌تر و از نظر وزن و خیز غالباً مناسب‌تر است، به ویژه وقتی که سازه بر روی تکیه گاه گوشه‌ای یا گوشه‌ای درختی قرار گرفته باشد. تکیه گاه گوشه‌ای موجب توزیع غیریکنواخت نیروها و در نتیجه افزایش وزن سازه می‌شود. لذا چنانچه در صورت نیاز به دهانه‌های بزرگ، استفاده از تکیه گاه گوشه‌ای اجتناب ناپذیر باشد، بهتر است از تکیه گاه گوشه‌ای درختی استفاده شود.

مطالعات مربوط به شبکه‌های عصبی مصنوعی نشان می‌دهد که شبکه‌های پس انتشار و پایه شعاعی در تحلیل و طراحی تقریبی سازه‌ها و نیز پیش بینی وزن و خیز آنها قابلیت بالایی دارند. هرچند شبکه پس انتشار در عمل دقت بیشتری را نشان می‌دهد، لیکن شبکه پایه شعاعی، که در این رساله برای اولین بار در زمینه تحلیل و طراحی سازه‌ها به کار گرفته شده است، از سرعت بیشتری برخوردار است.

______________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **

** درخواست پایان نامه:

با ارسال عنوان پایان نامه درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **