network training algorithms
در نشریات گروه آب و خاک-
مقدمه
شبکه عصبی مصنوعی (ANN) یک ابزار قدرتمند داده محور است که قادراست روابط خطی و غیرخطی حاکم بر سیستم های مختلف را فراگیرد. اما هنوز تعیین الگوریتم دارای بهترین عملکرد ازنظر سرعت و دقت همگرایی برای یک مسیله خاص، چالش مهم پیش روی کاربران شبکه های عصبی مصنوعی است.
روشدر این پژوهش، توانایی فرآیندهای پرکاربرد طی چند سال اخیر در بحث شبیه سازی و تخمین پارامترهای غیرخطی کیفیت آب بررسی و اثربخش ترین آن ها تعیین گردید. برای این منظور، 42 مدل از ترکیب توپولوژی شبکه عصبی مصنوعی (تک لایه یا چندلایه) و فرآیندهای آموزش بررسی گردید. پارامترهای کیفی مشاهده شده در محل 107 چاه در گستره آبخوان دشت قروه-دهگلان از سال 75 الی 92 جهت آموزش و داده های سال های 93 تا 95 جهت آزمون هر مدل استفاده شد.
یافته هانتایج نشان داد که شبکه های عصبی مصنوعی دارای یک لایه پنهان که از تعداد بهینه نورون بهره می برند، قادرند رفتار آبخوان را با دقت مطلوب و در مدت زمان کمتر شبیه سازی نمایند. همچنین، افزایش تعداد لایه های میانی همگام با افزایش دقت پاسخ، نه تنها تعداد سلول های بهینه شبکه بلکه مدت زمان تحلیل مساله را افزایش می دهد. به هرحال، شبکه های عصبی مصنوعی مبتنی بر روش Broyden-Fletcher-Goldfarb (BFG) از بیشترین کارآیی در شبیه سازی رفتار آبخوان برخوردار است، گرچه کارآیی روش Levenberg Marquart (LM) بسیار نزدیک به آن است. کارآیی بیشتر BFG نسبت به LM می تواند به دلیل برخورداری از میانگین خطا و انحراف معیار کمتر (به ترتیب برابر 46/3 و 09/3) آن باشد.
نتیجه گیریشبکه های عصبی مصنوعی با یک لایه پنهان و تعداد بهینه نورون می توانند رفتار آبخوان را با دقت مطلوبی شبیه سازی کنند و نسبت به شبکه های عصبی مصنوعی متشکل از چندین لایه پنهان کارایی بیشتری دارند.
کلید واژگان: شبیه سازی، شبکه عصبی مصنوعی، الگوریتم های آموزش شبکه، تخمین پارامترهای کیفی، دشت قروه-دهگلانIntroductionAn artificial neural network (ANN) is a powerful data-driven tool capable of learning the linear and nonlinear relationships governing different systems. However, determining the best-performing algorithm in terms of convergence speed and accuracy for a particular problem is still a fundamental challenge for users of artificial neural networks.
MethodsWe investigated the most effective algorithm among widely used processes to simulate and estimate nonlinear water quality parameters. For this purpose, we constructed 42 models combining artificial neural network topology (single or multilayer) and training processes. The quality parameters’ data acquired at 107 wells throughout the aquifer of Qorveh-Dehgolan plain were used for training (data from 1996 to 2013) and to test (data from 2014 to 2016) each model.
FindingsThe results showed that artificial neural networks with a hidden layer that benefits from the optimal number of neurons could simulate the aquifer behavior with high accuracy and in less time. Also, increasing the number of hidden layers while increasing the response accuracy increases the number of optimal network neurons and the duration of the problem analysis. Finally, artificial neural networks based on the Broyden-Fletcher-Goldfarb (BFG) method had the highest efficiency in simulating aquifer behavior, although the performance of the Levenberg Marquart (LM) method is very close to BFG. BFG is more efficient than LM due to its lower Mean Square Error and Standard Deviation (3.46 and 3.09, respectively).
Keywords: Simulation, Artificial neural network, Network Training Algorithms, Qualitative Parameter Estimation, Qorveh-Dehgolan Plain
- 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.