فهرست نشریات علمی دسترسی آزاد ایران

شبکه‌های عصبی مصنوعی تکنیک‌های مدل‌سازی قدرتمند هستند که با آرایه‌هایی از نورون‌ها در حافظه و یادگیری بیولوژیک کار می‌کنند. در این تحقیق به بررسی طبقه‌بندی نوع بارگذاری دینامیکی و شبه استاتیکی (لبه پهن و لبه نازک) با استفاده از داده‌های ورودی محتوای فنول، انتی اکسیدان، ویتامین C و سفتی با شبکه عصبی مصنوعی پرداخته‌شده است. در این آزمایش برای طبقه‌بندی از دو شبکه تابع پایه شعاعی و پرسپترون چندلایه با دو تابع فعال سازی تانژانت هیپربولیک و سیگموئیدی در یک‌لایه مخفی با نرون هایی به تعداد 4 و 8 نرون استفاده شد. با توجه به نتایج بدست آمده بهترین مقدار R و درصد صحیح (Percent Correct) برای بارگذاری دینامیکی ( =100 – R=9999997درصد صحیح)، بارگذاری لبه نازک (=100 – R=9999993درصد صحیح) و بارگذاری لبه پهن (=100 – R=9999992درصد صحیح) بود، که در شبکه تابع پایه شعاعی با تابع فعال‌سازی سیگوئید و تعداد 8 نورون در لایه مخفی ایجادشده است. همچنین بیشترین داده‌های صحیح تشخیص داده‌شده برای نوع بارگذاری دینامیکی، لبه پهن و لبه نازک در شبکه‌های ایجادشده برای شبکه تابع پایه شعاعی مشاهده شد و این شبکه توانسته است که به‌طور 100 درصد برای تمامی بارگذاری‌ها میزان داده‌ها را به‌درستی طبقه‌بندی کند. درمجموع شبکه عصبی با ورودی داده‌های کلی توانایی مطلوبی را در طبقه‌بندی داده‌ای بارگذاری دینامیکی و شبه استاتیکی داشته است.