این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
چشم انداز مدیریت صنعتی، جلد ۴، شماره ۱، صفحات ۰-۰
عنوان فارسی یافتن مناسبترین ساختار شبکه عصبی مصنوعی با استفاده از روش طراحی آزمایشات تاگوچی
چکیده فارسی مقاله چکیده تأخیر در تأمین نفت‌گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به‌دنبال دارد؛ بنابراین پیش‌بینی دقیق تقاضای نفت‌گاز بسیار مهم است. استفاده از شبکه‌های عصبی مصنوعی در پیش‌بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می‌شود دقت و عملکرد شبکه‌های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه‌های عصبی مصنوعی استفاده می‌شود که برای رسیدن به مناسب‌ترین ساختار شبکه‌های عصبی مصنوعی راه‌حل مطمئنی نیست. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب‌ترین ساختار شبکه‌های عصبی مصنوعی به منظور پیش‌بینی تقاضای نفت‌گاز در استان هرمزگان مشخص می‌شود. تجزیه و تحلیل واریانس پارامترهای شبکه‌های عصبی مصنوعی نشان می‌دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تغییر میانگین مربع خطای شبکه حدود 41% و سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. همچنین نتایج نشان می‌دهد که شبکه‌های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده‌اند، نسبت به سایر شبکه‌ها عملکرد بهتری دارند. Asbstract The delay in the supply of gasoil has wide Consequences of political, social and economic. Therefore, the gasoil demand forecasting is very important. The use of artificial neural networks in forecasting has many applications. Appropriate design of ANN parameters enhances performance and accuracy of the neural network model. Trial and error method is used to setting the ANN parameters in the most of studies. Trial and error method is not a reliable solution to achieve the best ANN structure. In the present study, the optimum structure of ANN to forecasting the demand of gasoil in the province of Hormozgan determined by Taguchi experimental design method. Analysis of variance (ANOVA) of the ANN parameters indicates that contribution of the number of neurons in first hidden layer to the changes in the network mean square error (MSE) is about 41% and contribution of the learning algorithm is about 27%. Also, the results of this study show that artificial neural networks are designed using Taguchi experimental design method have better performance than other Networks. Keywords : Forecasting; Gasoil; Artificial Neural Networks; Taguchi Experimental Design Method
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی
چکیده انگلیسی مقاله
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی مروتی شریف آبادی | morovati sharif abadi
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

رسول خوانچه مهر | khancheh mehr


نشانی اینترنتی http://jimp.sbu.ac.ir/article/view/9510
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1511/article-1511-462021.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقالات
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات