پیش بینی دما به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه های مختلف مدیریت منابع آبی و طبیعی، خشکسالی ها، مطالعات زیست محیطی، خطر سیلاب، کمبود مواد غذایی، گسترش آفات و بیماری ها، حمل و نقل و غیره از اهمیت وی‍ژه ای در تعیین سیاست های آینده جهت بهینه سازی این منابع و صرف هزینه ها، کنترل و جلوگیری از بحران و استفاده از منابع برخوردار است. مدل پرسپترون چندلایه (MLP) یکی از پرکاربردترین مدل های شبکه های عصبی مصنوعی از مولفه های هوش مصنوعی در زمینه پیش بینی عناصر جوی و اقلیمی است که می تواند بدون در نظر گرفتن معادلات پیچیده غیرخطی، دینامیک حاکم بر سیستم را استخراج نموده و خروجی مدل را پیش بینی کند. در این پژوهش، با استفاده از اطلاعات میانگین دمای ماهانه ایستگاه سینوپتیک سنندج در طول دوره آماری 38 ساله (2001-1964)، به عنوان ورودی های شبکه پرسپترون چندلایه، میانگین دمای ماهانه در طی سال های (2005-2002) به منظور تعیین میزان خطای مدل، پیش بینی شد. بدین منظور از امکانات و توابع موجود در محیط برنامه نویسی نرم افزار MATLAB، بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله روابط رگرسیونی و ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده دما و همچنین میانگین درصد خطای نسبی پرداخته شد. نتایج بدست آمده نشان دهنده کارآیی مناسب و دقت قابل قبول شبکه های عصبی مصنوعی در پیش بینی دما می باشد. به طوری که ضریب همبستگی برابر با 0.99 و میانگین درصد خطای مدل برابر با 1.97 درصد است. یعنی شبکه، دما را با اختلاف کمتر از یک درجه سلسیوس با دمای واقعی پیش بینی کرده است از این رو با استفاده از این روش می توان وضعیت های دمایی را از قبل تعریف نمود و در مدیریت منابع آبی و طبیعی دخالت داد.

یکی از مخرب ترین آثار تردد ماشین در مزرعه ایجاد تراکم در خاک های کشاورزی است. تراکم خاک های کشاورزی موجب افزایش مقاومت مکانیکی خاک، کاهش ریشه دوانی گیاه و نهایتا کاهش عملکرد محصول می شود. مدل سازی سیستم های اکولوژیک توسط روش های متداول مدل سازی، به دلیل ماهیت پیچیده آنها در صورت امکان نیز بسیار مشکل است. سیستم های هوش مصنوعی و محاسبات نرم به واسطه سادگی و دقت بالا با یک بار تعریف یا آموزش بسیار مورد توجه هستند. هدف از انجام این تحقیق مدل سازی سیستم تراکم خاک تحت تاثیر رطوبت خاک، سرعت پیشروی ماشین و عمق خاک توسط شبکه های عصبی مصنوعی پرسپترون چندلایه بود. در این پژوهش، رطوبت خاک در پنج سطح 11%، 13/5%، 16%، 19% و 22%، میانگین سرعت پیشروی ماشین در پنج سطح 1، 2، 3، 4 و 5 کیلومتر بر ساعت و عمق های مختلف خاک در سطوح 20، 25، 30، 35 و 40 سانتی متر در نظر گرفته شد. داده های تجربی در مزرعه تحقیقاتی دانشگاه محقق اردبیلی به صورت آزمایش فاکتوریل در قالب طرح بلوک های کامل تصادفی در پنج سطح رطوبت، سرعت پیشروی و عمق خاک در سه تکرار به دست آمدند. شبکه عصبی پرسپترون با پنج نرون در لایه پنهان با تابع انتقال سیگموییدی و تابع انتقال خطی برای نرون خروجی برای مدل سازی طراحی و آموزش داده شد. مقایسه نتایج مدل و نتایج تجربی نشان دهنده ضریب تبیین 0/99 =R2 بین این مقادیر بود. مقدار میانگین مربعات خطای مدل و درصد میانگین مطلق خطای سیستم به ترتیب برابر 0/17 و 0/29 درصد به دست آمدند که نشان از دقت بالای مدل شبکه عصبی در تخمین مقادیر تراکم خاک دارد.

تشخیص مدولاسیون سیگنال دریافتی، گام میانی بین تشخیص سیگنال و دمدولاسیون آن محسوب می شود؛ به طوری که در بسیاری از سامانه های مخابراتی و نظامی تشخیص خودکار مدولاسیون جزئی از سامانه درنظر گرفته می شود. برای تشخیص خودکار مدولاسیون، به طور معمول تعدادی ویژگی از سیگنال دریافتی استخراج و به کار گرفته می شود، در این رابطه، انتخاب ویژگی مناسب، تاثیر به سزایی در افزایش کارایی تشخیص خودکار مدولاسیون دارد. در این مقاله با کمک برنامه نویسی ژنتیک از بین ویژگی های ورودی، ویژگی مناسب برای جداسازی هر مدولاسیون تولید و انتخاب می شود. شبیه سازی با سیگنال های مدوله شده با مشخصه سیگنال به نوفه پنج و ده دسی بل صورت گرفت. مجموعه ای از آزمایش ها در این پژوهش صورت گرفت که هدف از آنها تعیین میزان کارایی برای سیگنال های مدوله شده با مدولاسیون های پرکاربرد و متداول مخابراتی بوده است. پس از انتخاب ویژگی مناسب برای جداسازی مدولاسیون ها از شبکه عصبی پرسپترون چندلایه برای جداسازی نوع مدولاسیون استفاده می شود. نتایج حاصل نشان می دهد به کارگیری ویژگی هایی که سامانه مورد نظر پیشنهاد می دهد، منجر به افزایش قابل توجهی در تشخیص دقیق تر و سریع تر نوع مدولاسیون می شود.

هدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش بینی موفقیت یا شکست طرح های پیشنهادی سرمایه گذاری کشاورزی در مناطق روستایی است، این موضوع در حیطه طبقه بندی است، و تعلق هر یک از طرح های پیشنهادی به گروه موفق یا شکست، بر اساس متغیرهای پیش بینی کننده تعیین می گردد. متغیرهای پیش بینی کننده، عبارت اند از مولفه های محیط سرمایه گذاری و ویژگی های پروژه. بر اساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس انتشار خطا، تکنیک و الگوی نسبتا مناسبی برای تبیین مساله به شمار می آید. برای ارزیابی کارایی الگو از شاخص میانگین مربعات خطا، منحنی ROC و شاخص صحت پیش بینی استفاده شده است. ارزیابی الگو مشخص می سازد که شبکه عصبی با 24 نرون در لایه پنهان می تواند حدود 77.5 درصد از نمونه ها را به درستی پیش بینی و طبقه بندی کند. بر اساس نتایج به دست آمده از داده های آزمون شبکه، الگوی ارائه شده توان بیشتری برای پیش بینی و طبقه بندی نمونه های ناموفق در مقایسه با نمونه های موفق دارد (79.2 درصد در برابر 75 درصد). همچنین در این تحقیق، به منظور ارزیابی قابلیت کاربرد شبکه، 31 نمونه جدید به صورت آف لاین به شبکه ارائه شدند. نتیجه نشان می دهد که الگوی ارائه شده، به واقع و در عمل می تواند حدود 64.5 درصد از نمونه ها را به درستی طبقه بندی کند. با الگوی طراحی شده می توان احتمال شکست یا موفقیت هر یک از طرح ها و پروژه های جدید را بر اساس متغیرهای پیش بینی کننده تخمین زد، و بدین ترتیب می توان آن را به همراه دانش و تخصص تصمیم گیرها و متولی یا متولیان توسعه روستایی و کشاورزی و مدیران موسسات مالی و اعتباری، به عنوان ابزاری مناسب برای انتخاب پروژه ها و طرح های بهینه برای سرمایه گذاری و ارائه تسهیلات به آنها، به کار گرفت. مراحل مختلف آموزش، آزمون، اعتبارسنجی و کاربرد شبکه و یا اصطلاحا شبیه سازی شبکه با استفاده از نرم افزار MATLAB انجام شده است.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

تفسیر گسل ها و شکستگی ها به عنوان یکی از مراحل کلیدی در تفسیر لرزه ای درک مناسبی از خواص ایستا و پویای مخزن ارایه می دهد. مطالعه نشانگرهای لرزه ای هندسی و ترکیب آنها بر اساس شبکه عصبی مصنوعی، سیستم های فازی و توسعه روش های شناسایی خودکار لبه مبتنی بر روش های هوش مصنوعی از جمله مطالعات انجام گرفته در خصوص شناسایی خودکار گسل ها و شکستگی ها است. در این مطالعه از تلفیق نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار و نشانگرهای لرزه ای غیرمتعارف (مانند نشانگرهای درستنمایی گسل، چگالی، قرابت و شیب شکستگی) جهت بهبود نتایج تفسیر ساختمانی استفاده شده است. طرحواره پیشنهادی بر روی یک داده مصنوعی دو بعدی با نسبت نشانک به نوفه 2 و یک داده لرزه نگاری سه بعدی در بردارنده رویداد گسلش اجرا شد. نتایج نشان داد که طرحواره پیشنهادی نسبت به نتایج حاصل از شبکه عصبی مصنوعی پرسپترون چندلایه، ضمن تاثیرپذیری کمتر نسبت به نوفه پس زمینه لبه های موجود در داده های مورد مطالعه را با تفکیک پذیری نسبتا بالایی شناسایی کرده است. انطباق نتایج حاصل از تلفیق شبکه عصبی مصنوعی پرسپترون چندلایه و نشانگر درستنمایی گسل با نتایج حاصل از وارون سازی رنگی داده لرزه ای، به عنوان یک روش وارون سازی کارآمد، حاکی از اعتبار بالای طرحواره پیشنهادی است. استخراج خودکار موقعیت فضایی صفحه گسلش در مقایسه با نتایج حاصل از تفسیر دستی، ضمن کاهش 70 درصد زمان تفسیر، تصویر دقیق تری از محدوده گسل مورد مطالعه ارایه داده است.

مقدمه: آپاندیسیت حاد، شایع ترین علت مراجعه بیماران با دردهای شکمی به اورژانس بیمارستان ها و آپاندکتومی، شایع ترین عمل جراحی اورژانس می باشد. با وجود پیشرفت های چشمگیر در تشخیص این بیماری، آپاندکتومی منفی همچنان میزان قابل توجهی را به خود اختصاص داده است. در پژوهش حاضر، شبکه عصبی مصنوعی جهت کمک به تشخیص آپاندیسیت حاد طراحی و ارزیابی گردید.روش بررسی: این مطالعه به صورت توصیفی انجام شد و در ابتدا ویژگی های موثر تشخیصی، با مطالعه متون تخصصی و منابع مربوط جمع آوری شد. سپس در قالب چک لیست دسته بندی و توسط متخصصان جراحی عمومی ارزیابی و اولویت بندی گردید. حجم نمونه تعیین شده جهت آموزش و ارزیابی عملکرد شبکه عصبی، 181 مورد انتخاب شد. پایگاه داده با استفاده از پرونده بیمارانی که طی سال 1394 در بیمارستان شهید مدرس تهران آپاندکتومی شده بودند، جمع آوری گردید. سپس معماری های مختلف از شبکه عصبی مصنوعی پرسپترون چندلایه (Multilayer perceptron) MLP جهت تعیین بهینه ترین عملکرد تشخیصی در نرم افزار MATLAB پیاده سازی و مقایسه گردید. برای ارزیابی شبکه نیز شاخص های مشخصه، حساسیت و صحت مورد استفاده قرار گرفت.یافته ها: بر اساس مقایسه بهینه ترین خروجی MLP با نتایج پاتولوژی، حساسیت، مشخصه و صحت به ترتیب 68.8، 82.0 و 78.5 درصد گزارش گردید. بر اساس استانداردهای موجود و طبق نظر متخصصان جراحی عمومی و مقایسه با نتایج پاتولوژی، یافته ها بیانگر بهبود صحت تشخیصی در مورد آپاندیسیت حاد بود.نتیجه گیری: MLP طراحی شده می تواند عملکرد فرد متخصص را با دقت قابل قبولی مدل کند. استفاده از شبکه مذکور در سیستم های تصمیم یار بالینی تشخیص آپاندیسیت حاد، با هدف کاهش ارجاعات منفی به مراکز درمانی، تشخیص به موقع، جلوگیری از آپاندکتومی منفی، کاهش مدت بستری بیمار و هزینه های درمانی مفید خواهد بود.

اهداف: با توجه به اهمیت بالای تولید پایدار محصولات کشاورزی در واحد های کشت و صنعت نیشکر، باید از سیستم های هوشمند مانند شبکه های عصبی مصنوعی جهت مدیریت واحد های مزرعه استفاده کرد. بدین منظور، هدف اصلی تحقیق، مقایسه عملکرد مدل های شبکه عصبی پرسپترون چندلایه و توابع پایه شعاعی به منظور مدل سازی و پیش بینی عملکرد نیشکر و بررسی عوامل موثر بر آن بود. مواد و روش ها: این تحقیق از نوع تحلیلی بوده و پایگاه داده ها ی آن ماتریسی به ابعاد درایه بود. داده های مورد نیاز این تحقیق طی سال های زراعی 1395 تا 1398 از واحد کشت و صنعت نیشکر دعبل خزاعی به دست آمد. متغیرهای ورودی مدل و واحدهای آنان به ترتیب شامل میزان هدایت الکتریکی خاک (دسی زیمنس بر متر)، مقدار کود شیمیایی فسفات و نیتروژن (کیلوگرم بر هکتار)، مقدار آب مصرفی (مترمکعب بر هکتار)، همچنین، تعداد دفعات آبیاری، ماه برداشت محصول، سن گیاه، واریته گیاه، و بافت خاک (بدون ابعاد) بودند. متغیر خروجی، میزان عملکرد (تن بر هکتار) بود. تجزیه و تحلیل توسط نرم افزار متلب 2017 انجام شد. یافته ها: با مقایسه پارامترهای خطای میانگین درصد خطای مطلق و جذر میانگین مربعات خطا و با توجه به شاخص های ضریب تبیین و بازده مدل، مدل توابع پایه شعاعی به ترتیب با داشتن 064494/0(درصد)، 037686/0، 7576/0 و 800409/0(بدون ابعاد) در مرحله اعتبارسنجی به عنوان مدل برتر انتخاب شد. همچنین، مدل توابع پایه شعاعی، متغیرهای واریته گیاه و میزان هدایت الکتریکی خاک را مهم ترین عامل موثر بر میزان عملکرد محصول نیشکر بیان کرد. نتیجه گیری: با انتخاب واریته مناسب گیاه نیشکر و کنترل میزان هدایت الکتریکی خاک می توان عملکرد در واحد سطح را افزایش داد و سبب بهره وری بیشتر از نهاده ها و تولید پایدارتری شد.