کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
385172 660861 2015 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Development of a decision support system based on neural networks and a genetic algorithm
ترجمه فارسی عنوان
توسعه نظام تقویت تصمیم گیری مبتنی بر شبکه های عصبی و الگوریتم ژنتیک
فهرست مطالب مقاله
چکیده
کلمات مهم
1.مقدمه  
2.پیش بینی 
جدول 1. روش های گسترده آماری پیش بینی سری زمانی
3.شبکه های عصبی بازه ای
شکل 1. نمودار سمت چپ نتیجه شبکه عصبی بازه ای و نمودار سمت راست نتیجه دو شبکه عصبی استاندارد را نشان می دهد. خطوط عمودی نمایانگر بازه های خروجی مجموعه های آموزشی هستند.
شکل 2. طرح شبکه عصبی بازه ای با یک لایه پنهان ( n – تعداد نورون های ورودی، m تعداد نورون های پنهان، k – تعداد نورون های خروجی)
4. انتخاب مهم ترین ویژگی ها
جدول 2. ویژگی های رقابتی روش ها
5.کاربرد واحدهای پردازش نمودارها (GPU) برای محاسبات موازی  
6.توضیح مفصل سیستم پیشنهادی
شکل 3. نمودار کاربردی سیستم پیشنهادی
الگوریتم سیستم 
جدول 3. زمان اجرایی وابسته به نوع محاسبات
7.تحلیل روش های مشابه
8.نمونه کاربردی
جدول 4. پیش بینی آب و هوا 
9.نتایج
ترجمه چکیده
باتوجه به حجم روزافزون اطلاعات و پیچیدگی نظام مهندسی، اقتصادی و اجتماعی ارزیابی داده های ورودی و مدیریت صحیح چنین نظامی بسیار دشوار است. درحالی که نظام تقویت تصمیم گیری نوآورانه (DSS) به تازگی توسعه یافته ریسک ضررهای جدی را به حداقل می رساند برای دستیابی به نتایج بهینه تلاش می کند. هدف DSS کمک به تصمیم گیرنده ای است که با مشکل مقادیر زیاد داده ها و واکنش مبهم نظام های پیچیده وابسته به عوامل خارجی مواجه می شود. انتظار می رود DSS ها به وسیله بررسی دقیق و عمیق شاخص های دقیقا پیش بینی شده و تصمیمات بهینه را در اختیار کاربران قرار دهند. در این مقاله ساختار جدید DSS را مطرح می کنیم که که می تواند در محدوده گسترده ای از کارهای دشوار تا رسمی به کار رود و به سرعت بالایی از محاسبه و تصمیم گیری دست یابد. روش های مختلف تعیین وابستگی متغیر هدف به داده های ورودی و رایج ترین روش های پیش بینی آماری را بررسی می کنیم. بدین منظور مزایای کاربرد شبکه های عصبی مورد بحث قرار می گیرند. اعمال شبکه های عصبی بازه ای را برای محاسباتی مطرح می کنیم که دارای داده های کمتر تعیین شده (بازه) هستند که کاربرد DSS ما را در محدوده گسترده ای از کارهای پیچیده امکان پذیر می سازد. الگوریتم یادگیری متناظر را برای شبکه های عصبی بازه ای توسعه می دهیم. مزایای کاربرد الگوریتم ژنتیک (GA) برای انتخاب مهم ترین ورودی ها نشان داده شده است. کاربرد محاسبات اهداف کلی در واحدهای پردازش نمودارها (GPGPU) را برای دستیابی به محاسبات سریع با نظام تقویت تصمیم گیری مورد نظر توجیه می کنیم. نمودار کاربردی این نظام ارائه شده و مورد بحث قرار گرفته است. نتایج و نمونه های کاربرد DSS بیان شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
We examine different approaches to determining the dependence of a target variable on input data and review the most common statistical forecasting methods. The advantages of using neural networks for this purpose are described. We suggest applying interval neural networks for calculations with underdetermined (interval) data, which makes it possible to use our DSS in a wide range of complicated tasks. We developed a corresponding learning algorithm for the interval neural networks. The advantages of using a genetic algorithm (GA) to select the most significant inputs are shown. We justify the use of general-purpose computing on graphics processing units (GPGPU) to achieve high-speed calculations with the decision support system in question. A functional diagram of the system is presented and described. The results and samples of the DSS application are demonstrated.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issues 15–16, September 2015, Pages 6177–6183
نویسندگان
, ,