شبیه سازی آموزشی مقاله اعتبارسنجی عملکرد موتور هواپیما با استفاده از داده های پروازی و شبکه عصبی با متلب

توضیحات

شبیه سازی مقاله اعتبارسنجی عملکرد موتور هواپیما با استفاده از داده های پروازی و شبکه عصبی با متلب

مدلی که برای داده های اول در این تحقیق بر اساس مبانی نظری و مطالعات تجربی در نظر گرفته شده است به شرح ذیل است.

Y=f (NGG1,FC1,SPR1,TH1)=TGZ1

که این مدل شامل 4 متغیر  ورودی پیش بین گر و یک هدف پیش بینی مقدار قیمت واقعی می باشد. که ماشین یادگیرنده قرار است با داده های آموزشی مربوطه  ،  خود را تعلیم داده و مقدار واقعی را براساس مدل که ایجاد کرده است پیش بینی کند. از ابزارهای معمول برای کار پیش بینی و دسته بندی داده ها، شبکه های عصبی مصنوعی را می توان نام برد که خود شبکه های عصبی انواع متنوعی دارد که مهمترین ان شبکه های عصبی پرسپترون چند لایه می باشد.(Multilayer Perceptron ). قبل از طراحی شبکه عصبی ابتدا باید داده های اموزشی و داده های اعتبار سنجی را که ماشین خود را با کمک ان تعلیم داده و جهت تعمیم به داده های مشاهده نشده خود را اعتبار سنجی می کند فراهم اورد. داده های اموزشی در واقع الگوهای اموزشی هستند که ماشین با کمک این الگوها مدل مناسب را جهت برازش داده ها و یا پیش بین سری زمانی استفاده میکند. برای استخراج داده ها ، ابتدا باید پارامترهای مربوط به سیستم موردنطر را در اختیار داشت که این سیستم متاثر از پارمترهایی می باشد. پارامترهای اولیه و خروجی  گذشته سیستم  در دسترس می باشد با کمک این نمونه ها که قرار است در سه دسته نمونه های اموزشی؛ اعتیار سنجی و ازمایش جهت تست شبکه طبقه بندی میشود کار پیش بینی عملکرد موتور هواپیما انجام میگیرد. برای طراحی یک مدل شبکه عصبی باید تعداد لایه های پنهان شبکه، تعداد نرون های هر لایه ، الگوریتم یادگیری، تابع تبدیل، تابع عملکرد، نرخ یادگیری، تعداد تکرارها، نرمال کردن داده ها، اندازه ی مجموعه ی آموزشی و آزمایشی تعیین شود. گفتنی است برای حل مسائل از نوع پیش بینی، اصول و روش های سیستماتیکی وجود ندارد و از آنجاییکه عوامل زیادی همچون لایه های پنهان، تعداد نرون های لایه های پنهان، نرمال کردن داده ها و الگوریتم یادگیری می توانند عملکرد شبکه عصبی را تحت تاثیر قرار دهند، بنابراین بهترین معماری شبکه با استفاده از آزمون و خطا بدست می آید. نتایج تحقیقات گذشته در زمینه دسته بندی و پیش بینی قیمت بورس  نشان می دهد که برای حل این نوع مسائل، داشتن یک لایه پنهان در شبکه کافی است. تعداد نرون های لایه ورودی برابر با تعداد متغیرهای پیش بین است. بنابر این در این پژوهش، با توجه به این که جهار ویزگی در اختیار است شبکه جهار ورودی خواهد بود و تعداد نرون های لایه ورودی برابر با 10 نرون اختیار می کنیم. با توجه به اینکه با یک خروجی انهم سود فصلی اینده می باشد  شبکه یک خروجی دارد، پس تعداد نرون لایه خروجی برابر با یک است. تعیین تعداد نرون های لایه میانی(پنهان) کار ساده ای نیست و بیشتر با استفاده از آزمون و خطا صورت می گیرد، بطوریکه عملکرد کلی شبکه بهبود یابد. بطورکلی با افزایش تعداد نرون های لایه پنهان، توان شبکه در تشخیص پیچیدگی های موجود در مجموعه آموزشی افزایش می یابد ولی این امر ممکن است باعث کاهش قابلیت تعمیم شبکه شود، در واقع اگر تعداد نرون های لایه میانی بیش از اندازه زیاد باشد، شبکه به جای یادگیری حفظ می کند. بنابراین باید بین ایندو تعادل برقرار شود. برای آموزش شبکه های عصبی از الگوریتم یادگیری پس انتشار خطا استفاده شده است. تابع تبدیل مورد استفاده در لایه ی خروجی و لایه پنهان، تابع سیگوئیدی است که فرمول آن برابر است با:

منظور از NET ، مجموع وزنی متغیرهای ورودی از لایه قبلی است. با استفاده از این تابع، مقدار متغیر خروجی، عددی بین صفر و یک خواهد شد. تابع عملکرد آموزش شبکه، متوسط مجموع مربعات خطا (MSE)در نظر گرفته شده است، این تابع عملکرد معمولا در طراحی شبکه های عصبی پیش خور چند لایه مورد استفاده قرار می گیرد.

شبیه سازی مقاله اعتبارسنجی عملکرد موتور هواپیما با استفاده از داده های پروازی و شبکه عصبی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.