پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,114,055 |
| تعداد دریافت فایل اصل مقاله | 97,217,825 |
Modeling for System Optimization with Small Dataset Using Neural Network | ||
| Advances in Industrial Engineering | ||
| مقاله 4، دوره 52، شماره 1، تیر 2018، صفحه 25-35 اصل مقاله (577.86 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jieng.2018.232557.1371 | ||
| نویسندگان | ||
| Hamid Hassanpour* ؛ Mohammad Mahdi Alyannezhadi | ||
| Department of Image Processing and Data Mining Lab, Shahrood University of Technology, Semnan, Iran | ||
| چکیده | ||
| The shortage of data is one of the most important problems in system modeling and optimization in industrial applications. Typical modeling techniques are unable to properly model a system with a limited dataset. In this paper, a modeling method for optimization of these systems is proposed. The proposed method has two main steps. In the first step, the model is employed to generate data using neural network. This model determines the correspondence input of each output. In the second step, optimization of the generated model is performed using genetic algorithm. Inputs leading to the specified output can be estimated using the proposed system. Optimality of the system can be explained by an evaluation function. The proposed method was evaluated in two different experiments on a time series and a real data. Results of the experiments were analyzed using mean square error. The experimental results show the capability of the proposed method in system modeling and optimization. | ||
| کلیدواژه‌ها | ||
| System modeling؛ Optimization؛ Multi-layer neural network؛ Genetic algorithm | ||
| عنوان مقاله [English] | ||
| ارائۀ روشی برای مدل‌سازی سیستم با مجموعه دادۀ کوچک به کمک شبکۀ عصبی به‌منظور بهینه‌سازی آن | ||
| نویسندگان [English] | ||
| حمید حسن‌پور؛ محمدمهدی علیان‌نژادی | ||
| استاد، آزمایشگاه پردازش تصویر و داده‌کاوی، دانشگاه صنعتی شاهرود | ||
| چکیده [English] | ||
| کمبود داده از مهم‌ترین مشکلات در مدل‌سازی و بهینه‌سازی سیستم‌های واقعی در کاربردهای صنعتی است. روش‌های معمول مدل‌سازی، با داشتن مجموعه دادة اندک از یک سیستم، توانمندی لازم را برای مدل‌کردن آن ندارند. در این مقاله روشی برای مدل‌سازی این نوع سیستم‌ها به‌منظور بهینه‌سازی ارائه شده که از دو مرحلة اصلی تشکیل شده است. در مرحلة اول به کمک شبکة عصبی، مدلی برای تولید داده‌ها ایجاد می‌شود که با دریافت هر خروجی دلخواه از سیستم، تعیین می‌کند این خروجی ناشی از اعمال چه ورودی‌ای به سیستم بوده است. در مرحلة دوم، به کمک الگوریتم ژنتیک روشی برای بهینه‌سازی مدل تولیدشده ارائه می‌شود. در این مقاله، به کمک روش پیشنهادشده می‌توان ورودی‌های منجر به تولید خروجی بهینه را یافت. بهینه‌بودن عملکرد سیستم در تابعی موسوم به تابع برازش بررسی می‌شود. روش ارائه‌شده بر روی یک سری زمانی غیرخطی متغیر با زمان، به‌وسیلة معادلة ریاضی مشخص، و یک مجموعه داده واقعی از صنعت کشاورزی ارزیابی شده است. تحلیل نتایج آزمایش‌ها نیز با معیار میانگین مربعات خطا صورت گرفته است. نتایج ارزیابی با این معیار توانمندی این روش را در مدل‌سازی و بهینه‌سازی مجموعه داده‌های این مقاله نشان می‌دهد. | ||
| کلیدواژه‌ها [English] | ||
| الگوریتم ژنتیک, بهینه‌سازی, شبکة عصبی چندلایه, مدل‌سازی سیستم | ||
| مراجع | ||
|
1. K. A. Ugwa and Agwu, A. (2012)."Mathematical Modeling As A Tool For Sustainable Development In Nigeria" , International Journal of Academic Research in Progressive Education and Development, vol. 1, No. 2, pp. 251-258. [2] P. D. Cha., Dym C. L., and J. J. Rosenberg, (2000)."Fundamentals of modeling and analysing engineering systems," ed, [3] T. Berger, R. et al., (2013). "A survey of variability modeling in industrial practice", in Proceedings of the Seventh International Workshop on Variability Modelling of Software-intensive Systems, 2013. [4] D.-C. Li and C.-W. Liu, "A neural network weight determination model designed uniquely for small data set learning," Expert Systems with Applications, vol. 36, pp. 9853-9858, 2009. [5] S. Ingrassia and I. Morlini, "Neural network modeling for small datasets," Technometrics, vol. 47, pp. 297-311, 2005. [6] A. Gosavi, 2015"Simulation-Based Optimization: An Overview", in Simulation-Based Optimization. vol. 55, ed: Springer US, , pp. 29-35. [7] R. H. Myers, D. C. Montgomery, and C. M. Anderson-Cook, Response surface methodology: process and product optimization using designed experiments vol. 705: John Wiley & Sons, 2009. [8] K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks are universal approximators," Neural Networks, vol. 2, pp. 359-366, 1989. [9] A. Gosavi, "Parametric Optimization: Response Surfaces and Neural Networks," in Simulation-Based Optimization. vol. 55, ed: Springer US, 2015, pp. 37-69. [10] Gholipoor, M. et al., (2012)."The optimization of root nutrient content for increased sugar beet productivity using an artificial neural network", International Journal of Plant Production, Vol. 6, No. 4, pp. 429-442. [11] Khazaii, J. (2016). "Genetic Algorithm Optimization", in Advanced Decision Making for HVAC Engineers, ed: Springer, pp. 87-97. [12] Ali M. Z., et al., (2017). "An improved رده of Real-Coded Genetic Algorithms for Numerical Optimization", Neurocomputing, [13] Bakirtzis A., and Kazarlis, S. (2016). "Genetic algorithms," Advanced Solutions in Power Systems: HVDC, FACTS, and Artificial Intelligence: HVDC, FACTS, and Artificial Intelligence, pp. 845-902. [14] J. Tang, C. Deng, and G.-B. Huang, (2016). "Extreme learning machine for multilayer perceptron", IEEE transactions on neural networks and learning systems, vol. 27, No. 4, pp. 809-821. [15] Abo-Hammour, Z. e., et al., (2013)."A Genetic Algorithm Approach for Prediction of Linear Dynamical Systems", Mathematical Problems in Engineering, Vol. 2013, p. 12. [16] A. L. E. Will, (2016). "Improvement of a Hybrid Evolutionary Model of Genetic Algorithms and Artificial Neural Networks", Boletín Técnico, ISSN: 0376-723X, Vol. 54, [17] I. Cruz-Vega, C. A. R. et al., (2016). "Genetic algorithms based on a granular surrogate model and fuzzy aptitude functions", in Evolutionary Computation (CEC), IEEE Congress on, pp. 2122-2128. [18] Grégoire, G. (2014)."Multiple linear regression", European Astronomical Society Publications Series, Vol. 66, pp, NO 45-72, 2014. | ||
|
آمار تعداد مشاهده مقاله: 789 تعداد دریافت فایل اصل مقاله: 615 |
||