منابع پایان نامه با موضوع فازی، پارامترهای، عصبی

فازی سوگینو به صورت شکل (5-1) نمایش داده میشود.
ساختار کلی شبکه فازی عصبی تطبیقپذیر با دو ورودی
همانطور که در شکل (5-2) مشخص شده است خروجی کل سیستم به صورت میانگین وزن ها با رابطه زیر بیان شده است:
که در آن و به ترتیب قدرت آتش مربوط به هر کدام از دو مقدمه قانون است. برای محاسبه خروجی کل سیستم میتوان به جای استفاده از اپراتور میانگین وزنها، از اپراتور جمع وزنها استفاده کرد، به عبارت دیگر نوشت:
مدل استنتاج فازی سوگینو
از مقایسه روابط 2 و 3 میتوان نتیجه گرفت که اگر باشد، نتیجه دو رابطه یکسان است. بدیهی است در چنین شرایطی که مجموع قدرتهای آتش برابر واحد و یا نزدیک واحد باشد میتوان برای سادگی محاسبات از رابطه 3 به جای رابطه 2 استفاده کرد، ولی در حالت کلی چوت تضمینی برای واحد بودن مجموع wها وجود ندارد، رابطه 2 نتیجه مناسبتری را ارائه میدهد.
در ادامه کلاسی از شبکههای عصبی فازی هوشمند جهت استنتاج سیستمهای فازی مورد بررسی قرار میگیرد. این شبکه هوشمند “سیستم استنتاج عصبی فازی تطبیقی” (ANFIS) است که در این مقاله از این رو ابتدا ساختار ANFIS توضیح داده میشود و در ادامه الگوریتم آموزش آن برای مدل فازی سوگینو بیان میگردد.
شبکه عصبی فازی ANFIS
یک ساختار شبکه ANFIS با دو ورودی x و y، یک خروجی f و 9 قانون جهت آموزش، در شکل 1 نشان داده شده است. در مدل فازی سوگینو، قسمت موخر قانون به صورت یک رابطه ریاضی بین ورودیها و خروجیها بیان میشود. به طور نمونه یکی از قانونهای این مدل به شکل زیر است:
اگر x مساوی A و y مساوی B باشد آنگاه f = f(x,y)
در رابطه فوق A و B مجموعههای فازی هستند که در قسمت مقدم قانون و f = f(x,y) یک تابع غیر فازی است که در قسمت تالی آمده است. معمولا تابع f = f(x,y) یک چندجملهای از متغیرهای ورودی x و y میباشد. اگر قوانین فازی که در مدل بکار گرفته میشوند به صورت زیر باشند، ساختار شبکه ANFIS نشان داده شده در شکل (5-2) ، نیاز ما را جهت دستیابی به این شکل از قوانین برآورده میکند.
تابع عضویت گوسین
لایه اول شبکه عصبی فازی، ورودیهای x و y را با استفاده از توابع عضویت گوسین شکل (5-3) به شکل فازی درمیآورند.
در رابطه فوق پارامترهای قابل تنظیم و بیانگر خروجیهای لایه اول میباشند. پارامترهای این لایه به پارامترهای مقدم معروف هستند. لایه دوم این شبکه هوشمند ضرب کنندههای فازی میباشند که خروجی حاصل از هر گره در واقع قدرت آتش هر قانون را مشخص میکند. در این لایه به جای عملگر ضرب میتوان از هر اپراتور فازی دیگری که بتواند شرایط AND را در شبکه عصبی فازی برآورده سازد استفاده کرد. خروجی گره i ام از لایه سوم شبکه ANFIS، بیانگر نسبت قدرت آتش قانون i ام در مقایسه با مجموع قدرت آتش همه قوانین میباشد؛ به همین دلیل خروجی این لایه از شبکه به قدرت آتش نرمالیزه شده معروف است. خروجی لایه چهارم شبکه که همان توابع غیر فازی
f = f(x,y) میباشند، حاصل ضرب قسمت موخر دستور فازی سوگینو مرتبه اول، در ضرایب w میباشند که به شکل رابطه زیر بیان میشوند:
پارامترهای این لایه به پارامترهای منتج یا پارامترهای خطی معروف هستند. لایه پنجم که در واقع لایه نهایی شبکه عصبی فازی میباشد به صورت یک گره جمع کننده عمل میکند، بدین صورت که در این لایه خروجیهای حاصل از لایه چهارم با هم جمع شده و خروجی نهایی شبکه بدست میآید.
توجه به این نکته که لایه های دوم و سوم و پنجم لایههای ثابت بوده مهم است و در صورتی که لایههای اول و چهارم لایههای تطبیقی میباشند. آموزش شبکه در واقع تغییردادن پارامترهای این دو لایه در جهت دستیابی به هدف مطلوب است.
الگوریتم آموزش هیبریدی (مختلط)
اگر پارامترهای مقدم غیرخطی ثابت فرض شوند، خروجی نهایی شبکه را میتوان به صورت یک ترکیب خطی از پارامترهای موخر و به صورت خطی در قالب رابطه( 5-8 )نوشت:
از آنجا که رابطه فوق یک رابطه خطی نسبت به پارامترهای موخر است، برای آموزش این پارامترها میتوان از روش کمترین مربعات خطا (LSE) استفاده کرد. در ضمن برای آموزش پارامترهای لایه اول که پارامترهای غیر خطی میباشند از روش تندترین شیب (SD) استفاده میشود.
پیش بینی ماکزیمم زمان اتمام کارها توسط شبکه عصبی فازی تطبیق پذیر
از آنجایی که پیشنهاد زمان های موعد تحویل منطقی و قابل حصول برای تولید کنندگان از اهمیت زیادی برخوردار است و همچنین مطالعات کمی در زمینه تخصیص زمان های موعد تحویل انجام شده است. اغلب محققان یا از زمان های موعد تحویل که خود به صورت تصادفی تولید می کنند، استفاده می کنند و یا از بعضی قواعد که محققین قبل برای هر حوزه مسائل زمان بندی استفاده کرده اند، پیروی می کنند. به همین دلیل جای خالی این پزوهش احساس می شد. لذا هدف این بخش از پژوهش، به کارگیری شبکه عصبی فازی تطبیق پذیر برای پیش بینی ماکزیمم زمان اتمام کارهاست تا از این طریق زمان های موعد تحویل منطقی به هر یک از کارها تخصیص داده شود.
در این کار پژوهشی ابتدا 108 مساله که مقادیر پارامترهای تاثیرگذار بر آن به صورت تصادفی طبق جدول (5-1) تولید شده اند، توسط 4 الگوریتم MDA,SPT,LPT وJohnson با تابع هدف ماکزیمم زمان اتمام کارها (makespan) حل شدند. با توجه به اینکه مقادیر پارامترهای تاثیرگذار روی تابع هدف (تعداد کارها، تعداد ماشین ها در مرحله اول، تعداد ماشین ها در مرحله دوم، مجموع زمان های پردازش مرحله اول و مجموع زمان های پردازش مرحله دوم) دارای پراکندگی زیادی هستند و این موضوع در مدل سازی مساله برای داده های آموزش داده شده توسط مدل عصبی فازی تطبیق پذیر مشکل ایجاد می کند، از اینرو طبق فرمول ارائه شده پارامترهای موثر بر تابع هدف (تعداد کارها و ..) و همچنین خود مقادیر تابع هدف را نرمالایز می کنیم.
بعد از نرمالایز کردن، 108 داده را به دو گروه داده های آموزش و داده های تست تقسیم می کنیم. %10 داده ها شامل 11 داده را به بخش تست و %90 داده ها شامل 97 داده را به بخش آموزش تخصیص می دهیم. برای هر یک از 4 الگوریتم MDA,SPT,LPT,Johnson ، 5 مجموعه داده از 108 داده موجود با در نظر گرفتن %10 و %90 تناسب برای داده های تست و آموزش به صورت جداگانه و تصادفی برای هر یک از الگوریتم ها انتخاب می کنیم. ( به عبارت دیگر 4 الگوریتم داریم و برای هر الگوریتم 5 مجموعه داده که مجموعا 20 مجموعه داده خواهیم داشت) سپس طبق گام های ارائه شده در ادامه ، مدل پیشنهادی را اجرا کرده و مقادیر پیش بینی توسط شبکه عصبی فازی تطبیق پذیر برای بخش آموزش و تست را به دست می آوریم. برای هر یک از مجموعه داده ها در هر الگوریتم با استفاده از مدل رگرسیون خطی نیزمقادیر پیش بینی شده آموزش و تست را به منظور مقایسه با مدل پیشنهادی به دست می آوریم. برای مقایسه میان مدل پیشنهادی و مدل رگرسیون 3 معیار مقایسه در نظر می گیریم. این معیارها عبارتند از : MSE,RMSE,
در 5 مجموعه داده و برای مقادیر آموزش و تست به منظور مقایسه مدل ANFIS و رگرسیون محاسبه می شود.
گام های توسعه شبکه عصبی فازی تطبیق پذیر برای تخمین ماکزیمم زمان اتمام کارها:
1- تعیین نمودن داده های آموزش و تست و وارد نمودن آنها به برنامه: داده های ورودی مدل شامل تعداد کارها، تعداد ماشین ها در مرحله اول، تعداد ماشین ها در مرحله دوم، مجموع زمان ای پردازش مرحله اول و مجموع زمان های پردازش مرحله دوم می باشد. همچنین داده خروجی این مدل ماکزیمم زمان اتمام کارها می باشد. طبق توضیحات ارائه شده و به منظور از بین بردن تاثیر پراکندگی داده ها در میزان دقت مدل، داده های ورودی و خروجی را طبق فرمول ارائه شده نرمالایز می نمائیم.
که , مقادیر بیشینه و کمینه به دست آمده برای پارامتر مورد نظر می باشد.
2- در این گام شبکه به منظور به دست آوردن توابع عضویت مناسب و تعداد آنها برای پارامترهای ورودی و خروجی ، آموزش می بیند. در این تحقیق برای آموزش شبکه از روش خوشه بندی استفاده شده است.
3- در این گام مقادیر پارامترهای مدل شبکه عصبی فازی تطبیق پذیر را تعیین می نمائیم. که شامل درجه تاثیر، نسبت پذیرش، نسبت رد و تعداد تکرارهای شبکه است.
4- در این گام با استفاده از داده های تست شبکه آموزش دیده شده را اعتبار سنجی می نمائیم.
در جدول (5-2) پارامترهای تاثیر گذار روی مدل شبکه عصبی فازی تعیین شده است.
پارامترهای مدل شبیه سازی
Scale
Number
Factors
Number of levels
Levels
Small
1
NM(number of machine)
3
Large
3
Small
2
NJ(number of jobs)
9
Large
9
Small & Large
3
DT(distribution of processing times)
2
Small & Large
4
A(algorithm)
4
پارامترهای موثر روی مدل شبکه عصبی فازی تطبیق پذیر
Structure of FIS
Range of influence
Membership function
Train FIS method
Epoch
Error Tolerance
Sub. Clustering
0.01
Gaussian Bell shape
hybrid
5
مدل رگرسیون خطی:
در این تحقیق به منظور بررسی عملکرد شبکه عصبی فازی تطبیق پذیر، اعتبارسنجی مورد نظر از طریق مقایسه با داده های به دست آمده از طریق مدل رگرسیون خطی انجام شده است. مدل رگرسیون استفاده شده در این پژوهش به شکل زیر می باشد.
که معادل تعداد کارها، معادل تعداد ماشین ها در مرحله اول ،معادل تعداد ماشین ها در مرحله دوم، معادل مجموع زمان های پردازش مرحله اول و معادل مجموع زمان های پردازش مرحله دوم می باشد.همچنین ضریب رگرسیونی به دست آمده می باشند.
نتایج محاسباتی
نتایج کلی
نتایج به دست امده در دو فاز آموزش و تست مورد بررسی قرار میگیرند. همچنین برای مقایسه میان مدل رائه شده و رگرسیون ساده از 3 معیار استفاده شده است. این معیار ها عبارتند از: MSE,RMSE, در ابتدا نتایج به دست آمده توسط مدل های در نظر گرفته شده برای معیار های مورد مطالعه در جدول (5-3) و جدول (5-4) آورده شده است.
نتایج به دست آمده برای معیار R-Square
آموزش
تست
شبکه عصبی فازی
تطبیق پذیر
رگرسیون خطی
شبکه عصبی فازی
تطبیق پذیر
رگرسیون

مطلب مشابه :  دانلود پایان نامه ارشد درمورد اختلال افسردگی، اختلال افسردگی اساسی، افسردگی اساسی، جامعه آماری

دیدگاهتان را بنویسید