back-propagation algorithm
در نشریات گروه عمران-
تصادفات جاده ای و تلفات ناشی از آن یکی از چالش های کنونی جوامع بشری است که هزینه های اقتصادی زیادی را بر اقتصاد کشورها تحمیل نموده است. با توجه به اطلاعات مربوط به ایمنی ترافیک در مطالعات پیشین، تعیین برنامه ریزی ایمنی ترافیک با پیش بینی افزایش تصادفات رانندگی، بسیار حایز اهمیت می باشد. مدل های شبکه عصبی استفاده شده در این زمینه دارای خلاءهایی همچون ضعف در نقاط با تعداد تصادفات صفر و تفاوت نتایج در هر بار آزمایش می باشند، در این مطالعه به منظور حل مشکلات شبکه عصبی پس انتشار، یک روش جدید که ترکیب بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان (PSO-SVM) می باشد با هم ترکیب می شوند تا به منظور پیش بینی ایمنی ترافیک مورد استفاده قرار گیرد. ابتدا عوامل موثر بر ایمنی ترافیک و شاخص های ارزیابی مورد تجزیه وتحلیل قرار می گیرند، سپس مدل پیش بینی ایمنی ترافیک توسط بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان با توجه به عوامل موثر ایجاد می شود. در نهایت، داده های مربوط به ایمنی ترافیک از سال 1376 تا 1397 برای تحقیق در مورد توانایی پیش بینی روش پیشنهادی بکار گرفته می شوند. نتایج تجربی نشان می دهد که پیش بینی ایمنی ترافیک توسط بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان برتر از شبکه عصبی پس انتشار است. مقادیر میانگین مطلق خطا برای پیش بینی تعداد تصادفات توسط بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان و شبکه عصبی پس انتشار به ترتیب مقادیر 0281/0 و 0498/0 را به خود اختصاص دادند. مدل های ساخته شده در این مطالعه دارای نوسانات بیشتری نسبت به داده های مشاهده می باشند، بنابراین می توان به منظور تنظیم مدل های مذکور، مدل های دقیق تری ایجاد نمود. میزان خطا در مدل های مربوط به تعداد مجروحین کمتر از داده های تعداد تصادفات و تلفات می باشد، که می توان علت این موضوع را به تعداد داده های بیشتر مربوط دانست.
کلید واژگان: شبکه عصبی، بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان، ایمنی ترافیک، پس انتشارRoad accidents and the resulting casualties are one of the current challenges of human societies that have imposed great economic costs on the economies of countries. Given the information on traffic safety in previous studies, it is very important to determine traffic safety planning in anticipation of an increase in traffic accidents. The neural network models used in this field have gaps. In this study, in order to solve the neural network problems after diffusion, a new method that combines particle group optimization and support machine (PSO - SVM) combined to be used to predict traffic safety. First, the factors affecting traffic safety and evaluation indicators are analyzed, then the traffic safety forecasting model is created by PSO - SVM according to the effective factors. Finally, traffic safety data from 1997 to 2018 are used to investigate the predictive ability of the proposed method. Experimental results show that traffic safety prediction by PSO - SVM is superior to post - diffusion neural network. MAPE values for predicting the number of events by PSO-SVM and post-diffusion neural network were 0.0281 and 0.0498, respectively. Models have more fluctuations than observation data, so more accurate models can be created to adjust these models. Due to the fact that the error in the data related to the number of injured is less than the data on the number of accidents and casualties, the cause can be related to the number of more data
Keywords: Neural Network, PSO, SVM, Traffic Safety Methods, Back Propagation Algorithm -
Resilient modulus (Mr) of subgrade soils is considered as one of the most important factors for designing flexible pavements using empirical methods as well as mechanistic-empirical methods. The resilient modulus is commonly measured by a dynamic triaxial loading test, which is complex and expensive. In this research, back-propagation artificial neural network method has been employed to model the resilient modulus of clayey subgrade soils based on the results of the cone penetration test. The prediction of the resilient modulus of clayey subgrade soil can be possible through the developed neural network based on the parameters of the cone tip resistance (qc), sleeve friction (fs), moisture content (w), and dry density (γd). The results of the present study show that the coefficients of determination (R2) for training and testing sets are 0.9837 and 0.9757, respectively. According to the sensitivity analysis results, the moisture content is the least important parameter to predict the resilient modulus of clayey subgrade soils, while the importance of other parameters is almost the same. In this study, the effect of different parameters on the resilient modulus of clayey subgrade soil was evaluated using parametric analysis and it was found that with increasing the cone tip resistance (qc), the sleeve friction (fs) and the dry density (γd) and also with decreasing the moisture content (w) of soils, the resilient modulus of clayey subgrade soils increases.
Keywords: Resilient modulus, Clayey soils, Cone penetration test, Back-Propagation Algorithm, Artificial Neural Network -
در این مقاله از یک شبکه عصبی مصنوعی پرسپترون 3 لایه با 5 نرون در لایه مخفی جهت مدلسازی مقدار محتوای الکترون لایه یونوسفر (TEC) استفاده شده است. بدین منظور از 25 ایستگاه GPS شبکه ژئودینامیک کشور ایران در محدوده عرض جغرافیایی 24 الی 40 درجه و طول جغرافیایی 44 الی 64 درجه استفاده گردیده است. ارزیابی نتایج بدست آمده از شبکه عصبی مصنوعی مدلسازی شده برای این منطقه توسط 1 ایستگاه تست GPS که مقادیر محتوای الکترونی آن از قبل در دست بوده انجام گرفته است. به دلیل اینکه ایستگاه مورد نظر مجهز به دستگاه اندازه گیری مستقیم دانسیته الکترونی بوده (دستگاه یونوسوند) و بصورت مستقل می توان در موقعیت آن ایستگاه مقدار محتوای الکترونی را با دقت و صحت بالا بدست آورد، از این ایستگاه برای تست نتایج استفاده شده است. مینیمم خطای نسبی بدست آمده از این ارزیابی 0/73 درصد و ماکزیمم خطای نسبی 34/66درصد می باشد. همچنین جهت ارزیابی کارائی شبکه های عصبی مصنوعی در برآورد مقدار محتوای الکترون یونوسفر، در این مقاله از یک چندجمله ای مرتبه 3 با 11 ضریب جهت مدلسازی TEC استفاده شده است. مقایسه مقادیر خطای نسبی محاسبه شده برای مدل چندجمله ای با مقادیر خطای نسبی بدست آمده برای شبکه عصبی، حاکی از برتری این روش نسبت به مدل چندجمله ای در برآورد مقدار محتوای الکترون لایه یونسفر در این منطقه است. تعداد نرونهای لایه مخفی در شبکه عصبی و نیز مرتبه و تعداد ضرایب چند جمله ای مورد استفاده در این مقاله بر اساس آزمون و خطا و با در نظر گرفتن مینیمم خطای نسبی برای نتایج تعیین شده است.
کلید واژگان: شبکه های عصبی مصنوعی، محتوای الکترون یونوسفر، مدل پرسپترون، پس انتشار خطا، مدل چندجمله ای، GPSIn this paper, 3-layer perceptron Neural Network has been used with 5 neuron in hidden layer for modeling the Ionospheric Total Electron Content (TEC) Over Iran. For this purpose, 25 GPS station from IPGN is used. These 25 stations are located within a range of approximately 24oN to 40oN and 44oE to 64oE. Evaluation of the results has been applied with 1 GPS station in Tehran. The station is equipped with ionosonde. So it is possible to calculate independently the TEC at the station. Minimum relative error obtained from evaluation is 0.73% and maximum relative error is 34.66 %. In this research, for the evaluation of artificial neural networks in estimating the TEC, a polynomial of degree 3 with 11 coefficients are used. Comparison of the relative error from polynomial model and relative error from neural network, illustrate the superiority of the neural model with respect to polynomial in this region. The number of neurons in hidden layer of neural network and the order and coefficients of the polynomial used in this paper is determined by trial and error, and by taking the minimum relative error for the results.Keywords: Neural Networks, Total Electron Content, Perceptron Model, Back propagation algorithm, Polynomial fitting
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.