دانلود پروژه مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

فهرست مطالب

«مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی» ۱
چکیده: ۵
فصل اوّل: ۱
مقدمه ۱
مقدمه: ۲
فصل دوم: ۵
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها ۵
۱-۲ انسان و کامپیوتر: ۶
۲-۲ ساختار مغز: ۸
شکل ۱-۲ مشخصات اصلی یک نرون بیولوژیک ۹
شکل ۲-۲ ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند. ۱۱
۱-۲-۲ یادگیری در سیستم‌های بیولوژیک: ۱۱
۲-۲-۲ سازمان مغز: ۱۲
۳-۲ یادگیری در ماشین‌ها: ۱۳
۴-۲ تفاوت‌ها: ۱۴
چکیده نکات مهم فصل دوم: ۱۶
فصل سوم: ۱۷
بازشناسی الگوها ۱۷
بازشناسی الگوها: ۱۸
۱-۳ مقدمه: ۱۸
۲-۳ چشم‌انداز طرح شناسی: ۱۸
۳-۳ تعریف بازشناسی الگوها: ۱۹
۴-۳ بردارهای مشخصات و فضای مشخصات: ۲۰
شکل ۱-۳ یک فضای مشخصات دوبعدی اقلیدسی ۲۱
۵-۳ توابع تشخیص‌دهنده یا ممیز ۲۱
شکل ۲-۳ محدوده‌ی تصمیم یک طبقه‌بندی خطی. ۲۳
۶-۳ فنون طبقه‌بندی: ۲۳
۱-۶-۳ روش طبقه‌بندی «نزدیک‌ترین همسایه»: ۲۳
شکل ۳-۳ طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه» ۲۴
شکل ۴-۳ اندازه‌گیری تا نزدیک‌ترین همسایه گاه باعث خطا می‌شود. ۲۵
۲-۶-۳ میزان‌های اندازه‌گیری فاصله ۲۵
فاصله‌ی همینگ ۲۵
شکل ۵-۳  فاصله اقلیدسی ۲۷
۸-۳ بازشناسی الگوها – خلاصه : ۳۲
چکیده نکات مهم فصل سوم: ۳۲
فصل چهارم: ۳۳
نرون پایه ۳۳
۲-۴ مدل‌سازی نرون تنها: ۳۴
شکل ۲-۴ نمای مدل اصلی نرون. ۳۶
۳-۴ تابع آستانه ۳۷
شکل ۸-۴ آیا می‌توانیم Aها را از Bها تمیز دهیم؟ ۴۲
۱-۳-۴ الگوریتم فراگیری پرسپترون: ۴۵
۱-۴-۴ یادگیری و تعدیل وزنها در آدالاین: ۴۸
جدول ۳-۴) جدول ارزش گزاره مربوط به تابع   ۵۲
۲-۴-۴ قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی: ۵۴
جدول ۸-۴) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع   ۵۶
جدول ۹-۴) ۵۷
شکل ۹-۴ دو مجموعه‌ی مجزا از الگوها در فضای دوبعدی. ۵۸
شکل ۱۰-۴ رفتار بردار ضرایب وزنی در فضای الگوها. ۵۹
شکل ۱۱٫ ۶۰
تعاریف: ۶۱
۷-۴ محدودیت‌های پرسپترون: ۶۵
۸-۴ آیا این به معنای پایان راه است؟ ۶۷
۱-۸-۴ نتیجه‌گیری: ۶۸
فصل پنجم: ۶۹
پرسپترون چندلایه‌ای ۶۹
۱-۲-۵ رفع مشکل: ۷۰
شکل ۲-۵ دو راه ممکن برای توابع آستانه‌ای. ۷۲
شکل ۳-۵ پروسپترون چند لایه‌ای. ۷۳
شکل ۵-۵) نمایش مدل پرسپترون چند لایه به صورت اختصاری ۷۴
۱-۴-۵ ریاضیات: ۷۶
۵-۵ الگوریتم پرسپترون چند لایه‌ای: ۸۰
شکل ۶-۵ یک راه برای مسئله XOR. ۸۲
۷-۵ تجسم رفتار شبکه : ۸۵
۸-۵ پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی:‌ ۸۹
شکل ۱۸-۵ ۹۵
آموزش تدریجی: ۹۸
آموزش یکباره: ۹۸
۱۲-۵ تعمیم‌دهی: ۱۰۰
۱۳-۵ تحمل نقص: ۱۰۲
۱۴-۵ مشکلات آموزش ۱۰۳
کاهش ضریب بهره: ۱۰۴
افزایش تعداد گره‌های داخلی ۱۰۴
۱-۱۴-۵ سایر مشکلات آموزش: ۱۰۵
۱-۱۵-۵ شبکه‌ی گویا: ۱۰۵
۲-۱۵-۵ فیلتر کردن اغتشاش ای – سی – جی (ECG) ۱۰۶
۳-۱۵-۵ کاربردهای مالی: ۱۰۷
۴-۱۵-۵ بازشناسی الگوها: ۱۰۸
فصل ششم: ۱۱۱
بررسی ویژگی‌ها و مدل‌سازی رآکتور شیمیایی مورد بحث در این پروژه: ۱۱۱
۱-۱-۶) پرسپترون‌های چندلایه: ۱۱۲
شکل ۲-۶) یک پرسپترون سه‌لایه ۱۱۳
۳-۶- آزمون صحت عملکرد مدل: ۱۱۸
۴-۶- کنترل غیر خطی پیش‌بین: ۱۲۰
۵-۶- ویژگی‌های رآکتور مورد مطالعه: ۱۲۲
شکل ۵-۶) شکل شماتیک از رآکتور مورد مطالعه ۱۲۲
شکل ۷-۶) مدل دینامیکی ۱۲۴
۷-۶) نتایج شبیه‌سازی: ۱۲۷
جدول ۱-۶) دقت تخمین، برای مدل‌های مختلف آموزش ۱۲۸
فصل هفتم: ۱۳۰
نتیجه‌گیری ۱۳۰
پیوست‌ها: ۱۳۳
بخش دوم: ۱۳۶
۲-ب- برنامه‌ی آموزش به شبکه: ۱۳۷
۳-ب- برنامه بررسی صحت عملکرد پاسخ‌های پیش‌بینی شده‌: ۱۳۸
مراجع: ۱۳۹
چکیده:
در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی  از نوع پرسپترون‌های چندلایه  برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.
این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست  می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان  به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.

(((برای دانلود کلیک کنید )))