نویسندگان
1 استادیار گروه صنایع، دانشگاه تربیت مدرس،تهران
2 دانشجوی دکتری تخصصی، مهندسی صنایع، دانشگاه تربیت مدرس، تهران، ایران
چکیده
یکی از گامهای مهم در توسعه شبکه‌های عصبی مصنوعی طراحی معماری شبکه است که تأثیر زیادی بر عملکرد شبکه دارد. در طراحی معماری شبکه‌های عصبی مصنوعی، عواملی از قبیل تعداد لایه‌های پنهان، تعداد نرون‌ها در هر لایه، توابع تبدیل و الگوریتم آموزش باید تعیین شوند. محققان در طراحی معماری شبکه به‌طور عمده از طریق سعی و خطا عمل می‌کنند و یا اینکه اثر متقابل بین عوامل مختلف در طراحی معماری شبکه را در نظر نمی‌گیرند. در این تحقیق، یک مدل مبتنی بر تکنیک طراحی آزمایشها برای طراحی بهینه معماری شبکه عصبی با یادگیری تحت نظارت، با توجه به اثر متقابل بین عوامل ذکرشده، ارائه می‌شود.
در این تحقیق، از مدل پیشنهادی برای طراحی معماری شبکه عصبی به منظور پیش‌بینی مصرف نفت‌گاز کل کشور استفاده شده است. به‌منظور مقایسه عملکرد مدل پیشنهادی با استفاده از روش سعی و خطا به‌عنوان یکی از روشهای مرسوم در طراحی معماری، یک مدل شبکه عصبی برای پیش‌بینی مصرف نفت‌گاز توسعه داده شده و طی آن برتری مدل پیشنهادی نشان داده شده است. همچنین برای مقایسه عملکرد شبکه عصبی با روشهای آماری، دو مدل با استفاده از رگرسیون و ARIMA طراحی شده‌اند. نتایج به دست آمده در پیش‌بینی مصرف نفت‌گاز در این بخش نیز نشان می‌دهد که پیش‌بینی با شبکه‌عصبی طراحی شده جوابهای بهتری دارد.
کلیدواژه‌ها
عنوان مقاله [English]
An Architecture Design model for artificial Neural Networks and its Application to Forecasting Monthly Consumption of Gas Oil in Iran
نویسندگان [English]
- Mohammad Reza Amin Naseri 1
- Ahmad Koochakzadeh 2
چکیده [English]
A critical step to develop artificial neural networks that has considerable effect on network performance is designing architecture of neural networks. In designing the architecture of networks, generally, the number of hidden layers, number of neurons in each layer and transfer functions are determined. Most researchers often use trial and error approach and/or ignore interactive effects between the factors of design. In this research, a model is presented based on the design of experiment (DOE) for optimal architecture of neural networks. The proposed model was applied to determine the optimal architecture of neural network for forecasting the monthly consumption of gas oil of Iran. To evaluate the effectiveness of the proposed model, using the common method of trial and error was used and advantages of the proposed model were shown. In addition, to compare the performance of neural networks by statistical methods, two models based on regression and ARIMA were designed. Comparison of the forecasting results obtained by neural networks and the statistical methods proved that the proposed model produced better forecasts in all performance criteria.
کلیدواژه‌ها [English]
- Architecture of artificial neural network
- Design of experiment
- forecasting
- Gas oil
)