چکیده:
در قسمت های جنوبی پلایای حاج علیقلی در بخش شرقی استان سمنان ، تنوعی گسـترده از تپه های برخانی وجود دارد. تپه های برخانی این منطقه با حفظ شکل خود، در مسیر باد غالب حرکت میکنند؛ بنابراین تغییر مکان و حرکت جانبی با روند متداول سالیانه مهم ترین ویژگی آن هاست .
هدف از این پژوهش شبیه سازی حرکت برخان ها با استفاده از شبکه عصبی مصنوعی می باشد. شبکه عصبی مصنوعی یک مدل غیر خطی می باشد که عملکردی شبیه مغز انسان دارد. در سال های اخیر، شبکه عصبی مصنوعی یکی از مهمترین ابزار جهت مدله کردن فرآیندهای پیچیده مانند حرکت پدیده ها می باشد. در مطالعات زیادی، شبکه عصبی مصنوعی نتایج بهتری نسبت به مدل های تناوبی نشان داده است. نتایج به دست آمده نشان می دهد که مدل پیش بینی کننده شبکه عصبی مصنوعی یک ابزار کاربردی در پیش بینی حرکت پدیده ها می باشد. جهت بررسی میزان دقت و حساسیت مدل پیش بینی کننده شبکه عصبی مصنوعی حرکت 100 برخان اندازه گیری شد. 70 درصد آن برای آزمون و 30 درصد برای اعتبار سنجی. جهت ارزیابی دقت مدل شبکه عصبی مصنوعی داده های اندازه گیری شده و برآوردشده با یکدیگر مقایسه شده و مورد تجزیه و تحلیل قرار گرفته شد. بهترین دقت مدل 996/0 بوده است. این بیانگر این است که مدل پیش بینی کننده شبکه عصبی مصنوعی یک ابزار کاربردی در پیش بینی حرکت پدیده ها می باشد.در قسمت های جنوبی پلایای حاج علیقلی در بخش شرقی استان سمنان ، تنوعی گسـترده از تپه های برخانی وجود دارد. تپه های برخانی این منطقه با حفظ شکل خود، در مسیر باد غالب حرکت میکنند؛ بنابراین تغییر مکان و حرکت جانبی با روند متداول سالیانه مهم ترین ویژگی آن هاست . هدف این پژوهش ، شبیه سازی حرکت برخـان هـا بـا اسـتفاده از شـبکه عصـبی مصنوعی است . شبکه عصبی مصنوعی مدل غیرخطی است که عمل کردی شبیه به مغز انسان دارد. در سال های اخیر، شبکه عصبی مصنوعی یکـی از مهـم تـر ین ابزارهـای مدلـه کـردن فرایندهای پیچیده ، مانند حرکت پدیده هاست . در مطالعات زیادی، شبکه عصبی مصنوعی در مقایسه با مدل های تناوبی نتایج بهتری نشان داده است . براساس یافته های پـژوهش ، مـدل پیش بینی کنندة شبکه عصبی مصنوعی ابزاری کاربردی در پیش بینی حرکت پدیـده هاسـت . جهت بررسی میزان دقت و حساسیت مدل پیش بینی کنندة شبکه عصبی مصـنوعی حرکـت صد برخان اندازه گیری شد و ٧٠ درصد آن برای آزمون و ٣٠ درصد برای اعتبارسنجی بـه کـار رفت . به منظور ارزیابی دقت مدل شبکه عصبی مصنوعی، داده های اندازه گیری و برآوردشده با یکدیگر مقایسه و سپس تجزیه و تحلیل شدند. بهترین دقت مدل ٠/٩٩٦ بوده است که نشان میدهد مدل پیش بینی کنندة شبکه عصبی مصنوعی ابزاری کاربردی در پـیش بینـ ی حرکـت پدیده هاست .
خلاصه ماشینی:
بر حسب کاربرد و عمل کرد شبکه های عصـبی ، مـدل هـای مختلفـی از آن هـا وجود دارد؛ یکی از آن ها شبکۀ پرسپترون چندلایه است که نرون ها به صـورت مـوازی بـا هـ قرار گرفته و نرون های موجود در یک لایه با نرون های لایه های دیگر در ارتباط اند کـه میـزان تأثیر این ارتباطات ، توسط پارامتری به نام وزن تعیین میشود.
/ شکل ٦ نمای کلی لایه ها در شبکۀ عصبی مصنوعی (منبع : منهاج ، ١٣٨١) ٢-٤- معیارهای ارزیابی عمل کرد شبکه به منظور ارزیابی و مقایسۀ نتـایج روش هـا و مـدل هـای بـه کـاربرده شـده در ایـن پـژوهش ، از شاخص های آماری مانند جذر میانگین مربعات خطا،١ ضریب هم بستگی ٢ و متوسط قدر مطلق خطا٣ استفاده شده است .
1. trainin data / شکل ٨ عمل کرد شبکه سیستم های عصبی مصنوعی قوانین مختلف یادگیری دارند که یکی از آن ها، قانون یادگیری پس از انتشار خطاست که در این تحقیق از آن استفاده شده است .
آنچه در کار با شـبکۀ عصـبی اهمیتی بسیار دارد، جلوگیری از یادگیری بیش از حد شبکه است ؛ زیرا در ایـن حالـت شـبکه به جای یادگیری و درک روابط بین پارامترها، شـروع بـه از بـر کـردن اطلاع تی مـی کنـد کـه دراختیار آن گذاشته میشود (٢٠٠٢ ,Mather &Gomez, Kavzoglu ).
بـا بررسـ پاسخ های خروجی شبکۀ عصبی مصنوعی در مرحلۀ آزمایش مشخص شد کـه شـبکۀ عصـبی ایجادشده قادر است از میان صد مورد برخان ، میزان حرکت آن ها را با دقت ٩٩ درصد درستی گزارش دهد که نشان دهندة حساسیت تشخیص معادل ٠/٩٩ و نیز توانایی زیـاد ایـن روش در شبیه سازی حرکت برخان هاست .