| عنوان فارسی مقاله: | ارزیابی کیفیت آب های زیرزمینی با مدل جدید PSO-RBF (بهینه سازی ازدحام ذرات و عملکرد پایه ای شعاعی) |
| عنوان انگلیسی مقاله: | A New PSO-RBF Model for Groundwater Quality Assessment |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 4 صفحه |
| تعداد صفحات ترجمه مقاله | 6 صفحه |
| مجله | تحقیقات در مواد پیشرفته |
| دانشگاه | چنگ دو کشور چین |
| نشریه TTP | TTP |
فهرست مطالب:
چکیده
مقدمه
مدل شبکه عصبی تابع پایه شعاعی
مدل هیبریدی یا دورگه PSO-RBF
مطالعه موردی
نتیجه گیری
بخشی از ترجمه:
سه پارامتر توجیه پذیر در تابع پایه شعاعی وجود دارد، مرکز تابع پایه cj، پارامتر عرض و وزن واحد خروجی wj. از طریق بهینه سازی پارامترهای تابع پایه شعاعی با الگوریتم بهینه سازی ، مدل شبکه عصبی از آبهای زیرزمینی تولید و از آن برای مطالعه درجه آب زیرزمینی در ده نقطه نظارت حفره سیاه دراگون استفاده شده است. با استفاده از مدل برای ارزیابی و سنجش آب زیرزمینی در ده نقطه نظارت از حفره سیاه دراگو، نتایج این ارزیابی که نظیر شرایط حقیقی است، اصولاً با نتایج بدست آمده با سایر روشهای ارزیابی همخوانی داشته و در سنجش و ارزیابی کیفیت آب زیرزمینی نیز کاربرد دارد.
مقدمه
شبکه عصبی تابع پایه شعاعی (RBF) یک شبکه عصبی مصنوعی تغذیه رو به جلو می باشد که براساس محل پاسخگویی نورون های مغز انسان به دنیای خارج عمل می کند. RBF از سرعت محاسبه و قابلیت نگاشت غیر خطی قوی برخوردار بوده و قادر به تقریب یک تابع غیر خطی اختیاری با هر دقتی می باشد. مهم تر اینکه، شبکه RBF روشی جدید و موثرتر برای آموزش عرضه می کند. از آنجایی که قادر است از محاسبات پیچیده پرهیز کند، در نتیجه سرعت محاسباتی اش بسیار سریعتر از شبکه BP می باشد. در نتیجه در بسیاری از رشته ها کاربرد وسیع و گسترده ای داشته است.
شبکه RBF حاوی سه پارامتر توجیه پذیر می باشد به نامهای تابع پایه ، پارامتر عرض و وزن واحد خروجی . هر گره از لایه خروجی برآورد وزن می باشد. مقدار وزن واحد خروجی را با کمک الگوریتم بهینه سازی گروه ذرات (PSO) می توان بهینه و تعیین نمود. بنابراین، در این مقاله مدل ترکیبی مطرح گردید.
مدل RBF در بسیاری از رشته ها مثل ارزیابی کیفیت آب زیرزمینی کاربرد گسترده ای داشته است. وظیفه اصلی ارزیابی کیفیت آب زیرزمینی برآورد سطوح جامعی از کیفیت آب زیرزمینی از طریق مدل ریاضی ارائه شده براساس شاخص های ارزیابی آب زیرزمینی و استانداردهای ارزیابی کیفیت آب می باشد. در سالهای اخیر،ازمدلهایی نظیر آنالیز مولفه اصلی، آنالیز فوزی، روش خوشه خاکستری، مدل آنالیز عنصر ماده و شبکه های عصبی مصنوعی عمدتاً برای ارزیابی کیفیت آب زیرزمینی استفاده شده است. هر مدل دارای محاسن و معایب مختص به خود می باشد. آنالیز فوزی، روش خوشه خاکستری و آنالیز عنصر ماده نیازمند ساختاربندی بسیاری از توابع مفید و سودمند هستند که در طراحی تابع فاقد استاندارد بوده و دارای خاصیت تصادفی و ذهنیت بزرگتری می باشد. به همین خاطر مقاله حاضر از مدل برای ارزیابی سطوح کیفیت آب زیرزمینی استفاده نمود.
مدل شبکه عصبی تابع پایه شعاعی
ساختار شبکه RBF . شبکه عصبی تابع پایه شعاعی شبکه سه لایه تغذیه رو به جلو متشکل از یک لایه ورودی، یک لایه مخفی و یک لایه خروجی است که در شکل 1(A) نشان داده شده است. لایه ورودی از گره های سورس سیگنال تشکیل شده است. لایه دوم لایه مخفی است که گره هایش با توابع شعاعی مثل تابع گاوسی ساخته شده اند. تعداد گره های لایه مخفی بر حسب نیازهای مسئله تعیین می گردد. لایه سوم لایه خروجی است که از آن برای پاسخگویی به مد ورودی استفاده می گردد. تبدیل از فضای ورودی به فضای لایه مخفی به صورت غیر خطی انجام می گیرد، در حالیکه از فضای لایه مخفی به لایه خروجی به صورت خطی می باشد که در شکل 1(B) نشان داده شده است.
تبدیل در لایه مخفی تابع RBF می باشد که مرکز توزیع محلی تقارن شعاعی تابع میرایی غیر خطی غیر منفی محسوب می گردد.
بخشی از مقاله انگلیسی:
IntroductionRadial Basis Function (RBF) neural network is a feed-forward artificial neural network[1,2], which isbased on the locality that the human brain neurons response to the outside world. RBF is of highcomputing speed and strong nonlinear mapping capability and can approximate an arbitrary nonlinearfunction with any precision. More importantly, the radial basis function (RBF) network provides anew and more effective method for training. Since it can avoid complicated and prolix calculations,its training speed is much faster than that of the BP network[3]. Thus it has been widely used in manyfields.The RBF network contains three adjustable parameters, the center of the basis function cj, thewidth parameter σ and the output unit weight wj. Each node of the output layer is weight estimation.The value of the output unit weight wj can be optimized and determined by the Particle SwarmOptimization (PSO) algorithm. So the hybrid PSO-RBF model was put forward in the article.RBF model has been widely used in many fields, such as the evaluation of underground waterquality. The main task of groundwater quality evaluation is estimate the comprehensive levels of theunderground water quality through the established mathematical model, based on the evaluationindexes of underground water and the water quality assessment standards. In the recent years, somemethods such as principal component analysis, fuzzy analysis, gray cluster method, matter elementanalysis model and artificial neural networks[4-6] are mainly applied to comprehensively the evaluation of the underground water quality. Each method has its advantages and disadvantages.fuzzy analysis, gray cluster method and matter element analysis model need structure many utilityfunctions, which lack of standardization in the function design, and have larger randomness andsubjectivity. So the article adopted the hybrid PSO-RBF model to evaluate the levels of undergroundwater quality.Radial Basis Function Neural Network ModelThe Structure of RBF Network. Radial basis function neural network is a three-layer feedforwardnetwork consisting of an input layer, a hidden layer and an output layer, as shown in Fig. 1(A). Theinput layer is composed of the signal source nodes. The second layer is the hidden layer, whose nodesare constructed by the radialized functions as the Gaussian function. The number of the hidden layernodes is determined by the needs of the problem. The third layer is the output layer, which is used toresponse to the input mode. The transformation from the input space to hidden layer space isnon-linear, while from the hidden layer space to the output layer space is linear, as shown in Fig. 1(B).
| عنوان فارسی مقاله: | ارزیابی کیفیت آب های زیرزمینی با مدل جدید PSO-RBF (بهینه سازی ازدحام ذرات و عملکرد پایه ای شعاعی) |
| عنوان انگلیسی مقاله: | A New PSO-RBF Model for Groundwater Quality Assessment |