بخشی از مقاله

چکیده:

با ظهور فناوری نوین اطلاعات و ارتباطات، شاهد تحولی شگرف در تمامی علوم هستیم .در حقیقت کامپیوتر به همراه سایر تکنولوژیهای پیشرفته، راه را برای ظهور تکنیکهای هوشمند مانند شبکههای عصبی مصنوعی فراهم کرده است. در چند سال اخیر، در کارهای معدنی و علوم زمین شناسی، به علت وجود ابهامات زیاد کوشش زیادی در استفاده از شبکههای عصبی و منطق فازی شده است. در این مقاله ابتدا مدلسازی و کاربردها در محیط زیست معرفی شده و طرز کار آنها نشان داده شده است و چند شبکههای عصبی مصنوعی و نحوه آموزش و بکارگیری این شبکهها نشان داده شده است.

-1 مقدمه

در سالهای اخیر استفاده از هوش مصنوعی به جای روشهای کلاسیک در بسیاری از علوم رایج گردیده است.[9]سیستمهای هوشمند یکی از ابزارهای بسیار قوی برای حل مسائل پیچیده می باشند. استفاده از این روش ها در سایر رشتهها و از جمله محیط زیست که در آن با اندازه گیری پارامترهای مختلف مواجه هستیم بصورت یک امر روزمره درآمده است.[9]شبکههای عصبی مصنوعی الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکههای عصبی بیولوژیکی مثل مغز انسان ساخته شدهاند

شبکههای عصبیعموماً با دادههای آموزشی آموزش داده میشوند.آنها قادرند ارتباطات جدید، توابع جدید و یا الگوهای جدید را کشف کنند و به دلیل ویژگی های فوق کاربرد وسیعی در زمینههای مختلف پیدا کرده اند. در زمینه محیط زیست از شبکههای عصبی مصنوعی استفادههای فراوانی شده است.

در این زمینه می توان به پیش بینی مقدار شوری رودخانه توسط دسیلتز در سال 1992پیش بینی مقدار غلظت دی اکسید گوگرد در مناطق صنعتی آلوده توسط بوزنار در سال 1993 پیش بینی تاثیر آب و هوایی بر اکولوژی و هیدولوژی رودخانه توسط پوف در سال 1996 پیش بینی افزایش جلبکهای سبز آبی توسط مایرر و دندی در سال 1997 و... اشاره کرد

همچنین توسعه روزافزون فعالیتهای کشاورزی و صنعتی و افزایش قابل توجه حجم فاضلابهای شهری موجب آلودگی منابع آب، خصوصا رودخانهها گشته، به نحوی که کیفیت این منبع حیاتی آب را در بسیاری از نقاط مورد مخاطره جدی قرار داده و در برخی نقاط منجر به مرگ بیولوژیکی رودخانهها گردیده است .

-2 مدلسازی و شبیهسازی در محیط زیست

-1-2تعریف مدلسازی

یکی از تکنیکهای ذهنی بشر می باشد که نه تنها برای اهداف علمی بلکه برای انجام امور روزمره بشر به دفعات مورد استفاده قرار می گیرد. یک مدل، یک انتزاع یا تقریبی است که برای شبیه سازی واقعیات استفاده میشود. تمرکز مدل سازی روی این است که سیستم، چه کاری انجام می دهد نه چگونه آن را انجام می دهد.

-2-2فواید مدلسازی

1.    کمک به تصمیم گیری در مسائل مدیریتی

2.    درک بهتر از عملکرد سیستم و متغیرهای موثر در آن

3.    بررسی میزان تاثیر هر یک از متغیرهای موثر در نتایج خروجی سیستم

-3 ویژگی های مهم شبکه عصبی

تاکنون مدل های مختلف با ساختار و الگوریتم های متنوعی از شبکه های عصبی ارائه شده است و هر چند این مدل ها با یکدیگر تفاوت دارند، اما تمام این مدل ها یک هدف مشترک را دنبال می کنند. به طور کلی سلول های عصبی که تشکیل دهنده یک شبکه عصبی می باشند ماشین های محاسباتی هستند، که از اجزای ساده - سلول - و زنجیره ای تشکیل می شوند و دارای این خواص میباشند:

دارای محاسبات قوی و ارزشمند از داده و اطلاعات هستند. در ساختار شبکههای عصبی که دارای نرونها و لایههای زیاد هستند باعث انعطاف پذیری و درجه آزادی زیاد در سیستم عصبی میشوند ولی زمان محاسبات طولانی تر خواهد شد. دارای توانایی زیاد در اصلاح و تعمیم پذیری میباشند. دارای قابلیت حذف اغتشاش و نویز هستند. قابلیت تولید الگوریتم تطبیق پذیر هوشمند بر پایه کاربرد را دارند.از طرفی قابلیت یادگیری و تطبیق پذیری، قابلیت تعمیم پذیری، پردازش موازی، مقاوم بودن، قابلیت تقریب عمومی را دارا می باشند.

-4 هدف از شبکه های عصبی مصنوعی

ارائه روشهائی جهت استفاده از سخت افزارها - مدارات - و نرم افزارها - الگوریتم ها - برای ایجاد قابلیت های هوشمند به دستگاه ها، روبوت ها، برنامه ها و غیره .... می باشد که قادر به یادگیری حین فرآیند می باشد.

-5 معرفی چند شبکه عصبی مصنوعی مورد استفاده در مدلسازیهای زیست محیطی

-1-5مفهوم پرسپترون

یک شبکه تک لایه با چند نرون که به طور ساده به هم متصلند را پرسپترون گویند.

-2-5 شبکه پرسپترون چند لایه - 1 - MLP

یک شبکه با حداقل سه لایه شامل -1 لایه ورودی -2 لایه خروجی -3 لایه میانی یا مخفی را شبکه پرسپترون چند لایه گویند. این نوع شبکه در مدلسازیها بیشترین کاربرد را دارد.

شبکه در بین انواع مختلف شبکههای عصبی بیشترین کاربرد را دارد یک شبکه پیشرو است که بر اساس مینیمم کردن تابع هزینه مناسب مانند مجموع مربعات خطاست که روش پس انتشار خطا نامیده می شود.[9] هدف از آموزش شبکه، تنظیم پارامترهای شبکه است به نحوی که برای تمام پترنهای آموزشی خروجی اصلی به خروجی مطلوب نزدیک شود. همچنین شبکه باید قابلیت تعمیم برای دیتاهای خارج از مجموعه آموزش را نیز داشته باشد. کار هر نرون محاسبه مجموع وزن دار ورودی های مربوط به خود و عبور دادن آن از تابع فعالیت خودش می باشد. تابع فعالیت باید مشتق پذیر و غیر کاهشی باشد. تابع هزینه به صورت رابطه - 1 - تعریف میشود

در این معادله Q تعداد کل پترنها، و به ترتیب مولفه k ام بردار خروجی واقعی و بردار خروجی مطلوب برای پترن q ام می باشند.شکل3 ساختاری کلی از شبکه عصبی پرسپترون چند لایه را نشان می دهد.

شکل -3 ساختار شبکه عصبی شبکه عصبی پرسپترون چندلایه - - MLP

شبکه مذکور کاربرد فراوانی در محیط زیست دارد که از جمله آنها میتوان به پیشبینی تغییرات شوری آب رودخانهها، پیشبینی میانگین دمای ماهانه، تخمین ماکزیمم دمای روزانه، پیش بینی میزان ازن موجود در هوا و... اشاره کرد.

-3-5 شبکههای خود سازمانده کوهنن 2 - SOM -

روش یادگیری بدون ناظر است که توانایی یادگیری جستجو در قواعد و همبستگیهای بین ورودیها را دارد تا پاسخهای آینده خود را با ورودیهای مربوطه سازگار نماید. نرون های شبکه گروههای دارای بردار ورودی مشابه را شناسایی می کند. انجام شناسایی گروههای دارای بردار ورودی مشابه به شکلی است که نرونهای واقع در همسایگی هم در یک لایه به بردارهای ورودی مشابه پاسخ دهند. این شبکه برای پیشبینی دماهای حداکثر و بررسی تغییر رخسارههای زمینشناسی در مطالعه مخازن هیدروکربوری اهمیت به سزایی دارد.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید