بررسی و طراحی شبكه‌هاي MLP و RBF در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

بررسی و طراحی شبكه‌هاي MLP و RBF در متلب

داده های مربوط به مقادیر زیر به عنوان دیتای خام ورودی به شبکه اعمال شد

• دبی و دمای فاضلاب ورودی (FLOW,T)
• TSS ورودی و خروجی
• BOD₅ ورودی و خروجی
• COD ورودی و خروجی
• غلظت لجن برگشتی (X_R)
• غلظت مواد معلق مایع مخلوط (MLSS) در حوض هوادهی
• و داده های مربوط به مقادیر زیر به عنوان دیتای خام خروجی شبکه در نظر گرفته شد
• دبی لجن برگشتی ( تعداد پمپها) (Q_R)

اگر فقط یک پمپ فعال باشد خروجی اول، اگر دو پمپ نیاز باشد خروجی دوم و اگر سه پمپ نیاز باشد خروجی سوم روشن میشود.

در شکل ۱ یک نمونه ساختار شبکه عصبی MLP با یک لایه میانی مورد استفاده در این تحقیق نمایش داده شده است.

 

آماده سازی داده ها در متلب

براي افزايش دقت و سرعت فرايندهاي شبكه‌هاي عصبي داده‌هاي مورد استفاده نرمال مي‌شوند براي اين منظور، روش‌هاي متعددي ارائه گرديده، كه در اين تحقيق از رابطه (۱) براي نرمال‌سازي داده‌ها استفاده شد. با استفاده از اين رابطه كليه داده‌ها در دامنه ۰و ۱ قرار مي‌گيرند. در اين رابطه داده نرمال شده، x_i داده مورد استفاده وx_min و x_max حداقل و حداكثر داده‌ها در سري مورد نظر مي‌باشد. بعد از نرمال سازي داده‌ها به منظور آموزش شبكه، داده‌ها به طور تصادفي به دو بخش آموزش و آزمایش تقسيم میشوند. بدين ترتيب كه ۳۳ درصد از كل داده ها براي آزمایش مدل كنار گذاشته شدند و ۶۷ درصد باقيمانده به عنوان داده هاي آموزش به کار میروند.

طراحی شبکه RBF و MLP در متلب

مقادیراندازه گیری و ثبت شده پارامترهای مختلف فاضلاب که توسط تجهیزات ابزار دقیق روی خط و آزمایشگاه، اندازه گیری شده اند، به عنوان دیتاهای ورودي و خروجي شبكه در نظر گرفته شدند. شبكه اي با ۱۰  نرون در لايه ورودي (دیتاهای ورودی) و سه نرون در لايه خروجي(تعیین تعداد پمپهای لجن برگشتی در حال کار) طراحي گرديد. در مرحله اول ترتیب کلیه داده ها توسط دستورات نرم افزاری جابجا شد، به نحوی که دیتای مربوط به فصول مختلف سال به صورت غیر منظم به شبکه اعمال شوند،و پس از نرمالیزه کردن دیتاها با روش گفته شده در بخش قبل، ۶۷ درصد داده‌ها (۱۳۳ عدد) به عنوان ورودي آموزش مدل، و ۳۳ درصد به عنوان تست مدل ( ۶۷عدد) انتخاب گرديدند. فرايند آموزش براي اين الگوريتمها، كه شامل تغيير وزن‌ها بين لايه‌هاي مختلف در طول زمان آموزش است، انجام گرديد تا جايي كه تفاوت بين داده‌هاي واقعي (داده هاي تست) و داده‌هاي پيش‌بيني شده به حداقل برسد.  براي فرايندهاي آموزش از قواعد آموزشي و  توابع انتقال مختلف استفاده شد، تعداد نرون  لایه مخفی تغییر داده شدو هر بار فرآيند آموزش و تست مدل با هدف كاهش ميزان ميانگين مربع خطا (MSE)تکرار گردید. (رابطه ۲ نحوه محاسبه ميزانMSE  را نشان مي دهد).

 

که n، تعداد پيش‌بيني‌ها و  e_i خطاي پيش‌بيني  iام است، كه از تفاوت مقادير پيش‌بيني شده و مقادير واقعي بدست مي‌آيد.

نتايج

در اين تحقيق از شبكه‌هاي MLP و RBF استفاده شد و قاعده آموزشي و تعداد نرون لايه مخفي و همچنين تعداد عناصر پردازشي لايه مخفي براي هر شبكه مورد آزمايش قرار گرفت. اپتيمم تعداد نرون‌ها در لايه مخفي و پارامترهاي نرون‌هاي لايه مخفي بوسيله سعي و خطا بدست آمد. انتخاب بهترين شبكه بر اساس كمترين ميزان MSE و بالاترين درصد صحت مي‌باشد. در هر كدام از شبكه‌ها جهت همگرايي بهتر و رسيدن به حداقل خطا، آموزش در تعداد سيكلهای مختلف انجام شده است روند نزول كميت ميانگين ‌مربع خطا MSE درشبكه MLP در عدد ۰۱۳۱/۰ و در شبكه RBF در عدد ۲۰۱۰/۰ تقريباً ثابت مي‌شود كه با توجه به ميزان MSE ها مي‌توان نتايج را رضايت‌بخش دانست. بهترين نتيجه براي شبكه MLP از نظر درصد صحت پیش بینی های انجام شده به ازاء دیتای آزمایش، شبكه‌اي با ۱۲ نرون در لايه مخفي و با ۷۰۰ بار تکرار مراحل آموزش(Epoch) که در نهایت خطای ارزیابی در آن برابر با ۰۱۹۳/۰ و درصد صحت، ۰۷/۹۳% و بهترين شبكه RBF شبكه‌اي با ۱۸ نرون در لايه مخفي و با ۲۴۰۰ epoch که ميزان MSE  برابر ۳۴۸۸/۰ و درصد صحت آن ۲۵/۵۴% بود. در نهايت شبكه MLP به عنوان بهترين شبكه انتخاب گرديد تا براي پيش‌بيني تعداد پمپهای مورد نیاز جهت برگشت لجن فعال مورد استفاده قرار گيرد. نتايج عملكرد شبكه براي پيش‌گويي تعداد پمپها در جدول ۱ ارائه شده است.

 

در اینجا آشنایی با محیط متلب بخش صد و بیست و هفتم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام