آزمایش بر روی سیستم عصبی اتونوم

اختصاصی از نیک فایل آزمایش بر روی سیستم عصبی اتونوم دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 18

آزمایش بر روی سیستم عصبی اتونوم

سیستم عصبی اتونوم یک شبکه عصبی وسیع است که نقش اصلی آن تنظیم محیط داخلی توسط کنتبف هموستاز و فعالیت‌های احشایی است. با وجودی که اکثر فعالیت‌های سیستم اتونوم خارج از کنترل اداری می‌باشند، عواطف و ورودی‌های سوماتولنسوری بطور قابل توجهی سیستم اتونوم را تحت تأثیر قرار می‌دهند. با بررسی تغییرات برجستة وازوموتور و سودوموتور پس از آسیب تروماتیک به اعصاب، این که سیستم اتونوم نقش مهمی در تعدیل و درک درد دارد مدتها قبل شناخته شده بود. با وجود شک و ابهامی که در رابطه با اهمیت نقش سیستم عصبی سمپاتیک در ایجاد و تداوم درد وجود دارد، متخصصان درد همیشه در جستجوی وسایل و راههایی برای مطالعه و بررسی سیستم اتونوم بوده‌اند.

آناتومی

سیستم اتونوم در هر سطحی از سیستم عصبی دارای اجزاء مختلفی می‌باشد.

جزء مرکزی که به نام شبکة‌ مرکزی اتونوم(CAN) نیز شناخته می‌شود شامل مناطق مختلفی از مغز می‌باشد.

اینسولا بدلیل ارتباطاتی که با هیپوتالاموس،‌ تالاموس، هسته پارابراکیال و NTS

دارد،‌ به نظر یک منطقه حیاتی حسی حرکتی احشایی است.

تحریک و فعال شدن قشر اینولا باعث بروز هیپرتانسیون، تاکیکاری، ایستادگی موها، گشادی مردمکها و ترشح بزاق شده و فعالیت دستگاه گوارش را نیز تغییر خواهد داد. تحریک کورتکس پری فرونتال میانی که دارای ارتباطات گسترده‌ای با آمیگدال، هیپوکامپ، تالاموس، هیپوتالاموس،‌ هستة پارابراکیال و NTS می‌باشد باعث بروز برادیکاری و افت فشار خون شده و ترشحات دستگاه گوارش را تعدیل می‌نماید.

هیپتوتالاموس مهم ترین ارگان سیستم اتونوم بوده و تمام فعالیت‌های حیاتی بدن را کنترل کرده و سیستم‌های غدد درون‌ریزی و اتونوم را نیز منسجم نگه می‌دارد.

این جا منطقه‌ای است که جهان بیرون با دنیای درون ارتباط پیدا می‌کنند. آمیگدال، که در بین کورتکس، هپیوتالاموس و نواحی مزنسفال قرار دارد‌،‌ نقش مهمی در همراه کردن احساسات با محرک‌های مختلف و ایجاد پاسخ‌هایی دارد که شامل تعدیل فعالیت اتونوم می‌شوند.

در سطح مزنسفال، هسته پارابراکیالیس و PAG نواحی تقویت تکمیلی می‌باشند. PAG نیز از جمله مناطق مهم و حیاتی در کنترل و تعدیل درد است. نواحی ساقة مغزی اصل النخاع که اکثر فعالیت‌های رفلکسی و اتوماتیک قلبی تنفسی را کنترل می‌کنند عبارتند از بدولای ونترولترال و NTS. ارگانهای دور بطنی با احساس و تشخیص تغییرات هومرال در تعدیل فعالیت اتونوم شرکت می‌کنند.

اجزاء‌ محیطی سیستم انوم عبارتند از سیستم‌های عصبی سمپاتیک و پاراسمپاتیک. نورون‌های پیش گانگلیونی سیستم سمپاتیک در ستون بینابینی خارجی نخاع قرار داشته و اکسونهای آنها در گانگلیونهای پری وربترال و پاراوربترال سیناپس کرده و فیبرهای پس سیناپسی نسبتاً مسیرهای طولانی را جهت عصب‌دهی به ارگانهای هدف خود طی می‌کنند.

سیستم سمپاتیک بسیار گسترده و منتشر است و توانایی تولید پاسخ‌های عظیم توسط تحریک ترشح اپی نفرین از قشر غده فوق کلیوی را دارد. این بعلت نسبت بالای فیبرهای پس گانگلیونی به پیش گانگلیونی و نیز فیبرهای پس گانگلیونی بلند و طولانی است. نورون‌های پیش سیناپسی پاراسمپاتیک تشکیل گروههای هسته‌ای ساکرال و کردینال را می‌دهند. سیستم عصبی پاراسمپاتیک بطور انتخابی فعالیت می‌کند زیرا اکسونهای پیش گانگلیونی در گانگلیونهایی سیناپس می‌کنند که بسیار نزدیک به ارگان‌های هدف بوده و همچنین نسبت فیبرهای پس گانگلیونی به پیش گانگلیونی در این سیستم بسیار کمتر از سسیتم سمپاتیک است. معمولاً دو سیستم سمپاتیک و پاراسمپاتیک اعمال مخالف هم دارند، اما در ارگانهای معدودی آثارشان با هم تشدید می‌شود.

نوروترنسمیترها

استیل کولیس (Ach) نوروترنسمیتر کلاسیک فیبرهای پیش گانگلیونی در هر دو سیستم عصبی سمپاتیک و پاراسمپاتیک است. فیبرهای پس گانگلیونی سمپاتیک نوراپی نفرین (NE) ترشح می‌کنند. به جز فیبرهای سودوموتور که استیل کولین ترشح می‌کنند. نورون‌های پس عقده‌ای پاراسمپاتیک همگی استیل کولین ترشح می‌کنند.

در اعصابی که در سطوح مختلف CAN، نخاع، و همچنین پایانه‌های پیش و پس عقده‌ای وجود دارند و محتوی Ach و یا NE می‌باشند نوروپیتیدها و نوروترنسمیترهای شناخته شده دیگری نیز وجود دارند. آنها نقش مهمی در فعالیت احشایی و همچنین فعالیت‌های منسجم متعددی از جمله شناخت، درد و یا حرکت ایفا می‌نمایند. شایع

مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

اختصاصی از نیک فایل مقاله تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:20

تجزیه و تحلیل داده ها به وسیله شبکه های عصبی مصنوعی

از حدود 1940 بطور همزمان اما جداگانه ، از سویی نوروفیزیولوژیستها سعی میکردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سویی  ریاضیدانان تلاش می کردند تا مدل ریاضی بسازند که قابلیت  فراگیری و تجزیه تحلیل عمومی مسائل را دارا باشد. از آن زمان ، بارها این اتفاق افتاد که ریاضیدانان یافته های نوروفیزیولوژیستها را پیاده سازی کردند، بدون این که بدانند چرا، و در عمل مشاهده کردند که سیستم پیاده شده کارایی شگفت انگیز سیستم طبیعی را دارد. پس از آن توانستند منطق زیربنایی سیستم طبیعی را درک کنند. اگر چه از همان ابتدا، ریاضیدانان توانسته بودند مدل ریاضی یک سلول عصبی یا نورون را بسازند، اما تا حدود 1974 که دانش مربوط به نوع  اتصال این واحدهای شبه نورونی به یکدیگر تکامل لازم را نیافته بود. امروزه برنامه های کاربردی متعددی دردسترس هستند که با این روش کار میکنند. اگر چه کاربرد این برنامه ها بویژه برای افراد عادی کمی مشکل است، اما محققین روز به روز بیشتر و بیشتر آنها را به کار می گیرند. برای تجزیه و تحلیل یک سیستم پیچیده بوسیله روش شبکه های عصبی، نیاز به دانش زیادی درباره سیستم مورد مطالعه نمی باشد، چون عمل تجزیه و تحلیل و یادگیری در مغز شبکه اتفاق می افتد نه در مغز محقق، اما به هر حال بهره گیری از دانش کلی درباره طرز کار این شبکه ها برای کاربران آنها ضروری است، چرا که تنظیمات ساده و کلی در این برنامه ها وجود دارند که آگاهی از آنها برای ساختن یک مدل موفق ضروری است.

شبکه های عصبی مصنوعی در واقع مثلثی هستند که 3 ضلع مفهومی دارند: 1- سیستم تجزیه و تحلیل داده ها، 2- نورون یا سلول عصبی 3- شبکه یا قانون کار گروهی نورونها.  در یک تعریف کلاسیک، هایکین می گوید: شبکه عصبی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و بکارگیری آن دارند و این شبکه دست کم از دو بابت شبیه مغز است: 1- مرحله ای موسوم به یادگیری دارد 2- وزن های سیناپسی جهت ذخیره دانش به کار می روند.

 وظیفه شبکه های عصبی یادگیری است. تقریبا چیزی شبیه یادگیری یک کودک خردسال. یادگیری در شبکه های عصبی رایج به شکل Supervised یا یادگیری تحت نظارت است. والدین تصاویر حیوانات مختلف را به کودک نشان می دهند و نام هرکدام رابه کودک می گویند. ما روی یک حیوان، مثلا سگ، تمرکز می کنیم. کودک تصاویر انواع مختلف سگ را می بیند و در کنار اطلاعات ورودی (تصاویر و صدا) برای هر نمونه، به او گفته می شود که این اطلاعات مربوط به یک نوع "سگ" هست یا خیر. بدون اینکه به او گفته شود، سیستم مغز او اطلاعات ورودی را تجزیه و تحلیل می کند و به یافته هایی در زمینه هر یک از پارامترهای ورودی از قبیل "رنگ، اندازه، صدا، داشتن پنجه یا سم یا شاخ" می رسد. پس از مدتی او قادر خواهد بود یک "نوع جدید" از سگ را که قبلا هرگز ندیده است شناسایی کند. از آنجایی که در مورد هر نمونه جانور در مرحله یادگیری به کودک گفته شده که آیا سگ هست یا خیر، این نوع یادگیری، تحت نظارت نامیده می شود. نوع دیگر یادگیری یعنی یادگیری بدون نظارت یا Unsupervised هم توسط شبکه های عصبی شبیه سازی شده است و کاربردهای کمتری دارد.

مقایسه مدلسازی  کلاسیک در مقایسه با مدلسازی شبکه عصبی:

الف: سناریوی مدلسازی کلاسیک

جهت درک ویژگیهای مدلسازی بکمک شبکه های عصبی، لازم است که ابتدا مدلسازی کلاسیک را تجسم کنیم.: پارامترهای A,B,C,D سیستم مارا تعریف می کنند، این پارامترها می توانند غلظت مواد شیمیایی و پارامترهای فیزیکی فرمولاسیون باشند. ممکن است پارامترهای فیزیولوژیک یا پاتولوژیک وضعیت بیماران باشند. در کنار هر سری پارامتر که یک نمونه (فرمول شکل دارویی یا بیمار یا هر نمونه دیگر) را تعریف می کند یک پاسخ R وجود دارد که می تواند پایداری فرمول دارویی یا پارامتری نمایانگر وضعیت بیمار باشد.

مدلسازی کلاسیک از نخستین قدم خطای بزرگی را مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی) قابل صرف نظر است. نخستین قدم در روش کلاسیک برای بررسی داده ها بررسی شاخصهای تمایل به مرکز (میانگین،...) و شاخصهای پراکندگی (انحراف معیار، ...) است. از این مرحله به بعد در روش کلاسیک کاری با تک تک نمونه ها نداریم و اهمیت فردی آنها از بین می رود. بعنوان مثال ممکن است مقدار پارامتر A (مثلا غلظت ماده شیمیایی A) در دمای صفر تا 15 درجه (دما پارامتر B است) روی پایداری دارو یا R تاثیر مثبت داشته باشد، و از 15 درجه به بالا تاثیر منفی داشته باشد، به این ترتیب نگاه همزمان به پارامترهای A و B برای درک تاثیر آن دو بر روی R ضروری است، در حالیکه ما با گرفتن میانگین (یا دیگر مشتقات آماری) از کل ستونهای A وB و سایرین، اثر همراهی مقادیر A و B را از صورت مساله پاک کرده ایم. در هیچ یک از روشهای کلاسیک مدلسازی با داده های فردی (تک تک نمونه ها) کاری نداریم و این یک اشکال مهم است. در واقع روش کلاسیک با عملی شبیه به هوموژن کردن یا آسیاب کردن داده ها، پیچیدگی روابط آنها را محو می کند و به این دلیل از کشف این پیچیدگیها باز می ماند.

در نهایت نیز، در روش کلاسیک ، شما یک معادله سیستم خواهید داشت که داده های جدید را بدون در نظر گرفتن اثر همراهی پارامترهایش با هم استفاده می کند و مجددا این خطا در پیشگویی اثر R توسط سیستم شما تاثیر خواهد داشت. به این ترتیب سیستم کلاسیک در "استخراج" معنی از داده ها ضعیف و با بازده پایین عمل می کند و در بسیاری از موارد از کشف روابط بین داده ها ناکام می ماند.

اگر می توانستیم سیستمی داشته باشیم که  با اهمیت دادن به فردفرد مثالها تجزیه و تحلیل کند و نیز بدون پیشداوری در مورد شکل تابع هر پارامتر (خطی بودن و یا شکل تابع غیر خطی) آن را ذخیره و ارزیابی کند، چنین سیستمی می توانست نتایج بیشتری را از عمق داده ها بیرون بکشد.

ب: سناریوی مدلسازی شبکه عصبی:

در یک شبکه عصبی نمونه،اطلاعات و پارامترهای ورودی، هرکدام به شکل یک سیگنال الکتریکی تحریک به کانالهای ورودی مدل ریاضی سلول عصبی وارد می شوند. مدل ریاضی یک سلول عصبی را یک Perceptron می نامند. هر یک از کانالهای ورودی (شبیه اتصالات دندریتها) دارای یک ضریب عددی هستند که ((وزن سیناپسی)) نامیده می شود. شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد. اگر مجموع تحریکات رسیده شده به جسم سلولی کافی باشد، نرون شلیک می کند و در مسیرهای خروجی (شبیه آکسونها) جریان الکتریکی ثابتی را ایجاد می کند.  تحریکات لایه ورودی سلولها به یک یا چند لایه واسط می رود که به نامه لایه های مخفی (Hidden Layers) موسوم هستند. ادامه جریان تحریکات در این لایه ها (توسط همان وزنهای سیناپسی) طوری هدایت می شود که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند. سپس تحریکات به لایه خروجی می روند که هدف نهایی ما است.  اگر هدف شبکه عصبی پیشگویی کمی باشد، مجموع شدت تحریکات آخرین عصب خروجی، آن عدد خواهد بود. اگر هدف شبکه عصبی  طبقه بندی (Classification) باشد، فعالیت یا خاموش بودن نرونهای لایه آخر نمایانگر این امر خواهد بود، مثلا شلیک نرون خروجی نشان دهنده حضور بیماری و خاموش بودن آن نشانه سلامت است. سیستم شبکه عصبی در فرایند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه) جریان خروجی مناسب (یعنی همان پاسخ R) را ایجاد کند. چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است که بعدها درباره آن بحث خواهیم کرد.

طرز کار مدل سلول عصبی :

 مدل ریاضی یک سلول عصبی که از روی الگوی ریاضی آن ساخته شده است Perceptron نامیده می شود. خطوط ورودی (Input) سیگنالهای تحریکی یا مهاری را به جسم سلولی می آورند که همان پارامترهای تعریف کننده سیستم هستند. مثلا فرض کنیم که غلظت یک ماده  0.6 mol/lit است ، این عدد یکی از پارامترهای تعریف کننده نمونه دارویی ما است، پس این پارامتر بعنوان یک سیگنال الکتریکی با شدت 0.6 به یک کانال ورودی می رود. در ابتدای هر کانال ورودی یک ضریب عددی وجود دارد که شدت تحریک در این عدد ضرب می شوند و حاصل آن که یک Weighted Input نامیده می شود اگر مثبت باشد یک سیگنال تحریکی و اگر منفی باشد یک سیگنال مهاری بر جسم سلولی است. میزان کلیه این سیگنالهای تحریکی یا مهاری که از ورودی های مختلف به جسم سلولی می رسند با هم بصورت خطی جمع می شود (Linear Combination of Weighted Inputs). اگر این حاصل جمع از میزان آستانه یا Threshold کمتر باشد سلول عصبی خاموش می ماند، و در غیر این صورت سلول شلیک میکند (Fire) و جریان الکتریکی ثابتی در خروجی (یا خروجی ها) ایجاد می کند. در واقع خروجی Perceptron معادله ریاضی زیر تعیین می شود:

دانلود رایگان دیدگاه رشد عصبی در آموزش و یادگیری 7 ص

اختصاصی از نیک فایل دانلود رایگان دیدگاه رشد عصبی در آموزش و یادگیری 7 ص دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 12

دیدگاه رشد عصبی در آموزش و یادگیری

مغز انسان مثل یک ارکستر پیچیده است. نقشها و فعالیتهای آن، یعنی همان عملکرد های عصب شناختی، به شدت به هماهنگی، کنار هم قرار دادن و همزمان کردن احتیاج دارد.درست مانند هر ارکستر دیگری، نقش هر نوازنده بنابر موقعیت تغییر می‌کند. و همان طور که گاهی نقش سازهای زهی یا بادی در موسیقی پر رنگ تر می‌شود، عملکردهای عصب شناختی متفاوتی به هنگام خواندن زبان،ریاضی، گزارش نوشتن یا ورزش کردن تعیین کننده می‌شوند.همان طور که در یک ارکستر، سازها ایجاد هارمونی می‌کنند، عملکردهای عصب شناختی متفاوت با هم تعامل می‌کنند تا دانش آموز قادر به کسب دانش، مهار یا زیر مهارت‌ها باشد یا بتواند فعالیتهای خاص مدرسه مثل سازمان دهی، طرح ریزی کارا و استراتژیک را انجام دهد.وقتی دانش آموزان در یادگیری یک مهارت آکادمیک خاص به مشکل بر می‌خورند؛ والدین، معلمان و متخصصان باید ناحیه بروز مشکل را معین کنند تا زیر مهارتهای ضعیف مشخص شده و برنامه ای برای قوی کردن نواحی قدرت و نواحی دارای نیاز به بهبود، طراحی گردد.در اینجا لازم است از خودمان بپرسیم: نقطه بروز اختلال کجاست؟ کدام زیر مهارت نقش خود را به خوبی ایفا نمی کند؟ و در هر زیر مهارت کدام عملکرد‌ها خوب کار نمی کنند؟ مثلاً دانش آموزانی با مهارتهای واژگانی و توانایی حافظه ای قوی ممکن است در به یاد آوردن کلمات مشکل داشته باشند. در این حالت، احتمال دارد که مشکل در توانایی بازیابی لغت باشد، زیر مهارت بسیار خاصی که یاد آوردن لغات در یک آن را ممکن می‌سازد.پرونده رشد عصبیبچه‌ها در هر لحظه از زندگی با "پرونده رشد عصبی" شان به مدرسه می‌آیند. این پرونده‌ها در اصل، نمودار تعادل نقاط ضعف و قوت هر فرد در عملکردهای عصب شناختی مختلف است. هر پرونده کار کردن در برخی حوزه‌ها را ساده می‌کند و در کار بعضی نواحی مانع پدید می‌آورد. بعضی بچه‌ها نقاط قوتی دارند که باعث می‌شود در شش سالگی سرآمد و موفق باشند اما در دبیرستان کارایی ضعیفی پیدا کنند. بعضی دیگر از بچه‌ها در سالهای ابتدایی مشکل دارند و در سالهای بعدی به موفقیت می‌رسند. با تغییر توقعات ما در طول زمان، کارکرد دانش آموزان هم تغییر می‌کند.برای فهم بهتر اینکه چطور پرونده رشد عصبی در هر زمان، یادگیری و کارکرد بچه‌ها را تحت تأثیر قرار می‌دهد، این پرونده‌ها را به چند "ساخت عصب شناختی" تقسیم می‌کنیم. هر ساخت، به گروهی از عملکردهای عصب شناختی مرتبط است. این ساخت‌ها به ما کمک می‌کند تا فکر کردن و ارتباط برقرار کردن درباره تفاوتهای یادگیری را سازمان دهی کنیم، چون بر نقشها و تعامل های عملکردهای عصب شناختی با توجه به رفتارهای خاص ، تمرکز می‌کنند. آنها باعث انعطاف پذیری در راههای ارزیابی تفاوتهای یادگیری و مشخص کردن نواحی اختلال یادگیری و

پاورپوینت درس 10 علوم پنجم (دستگاه عصبی و اندام های حسی )

اختصاصی از نیک فایل پاورپوینت درس 10 علوم پنجم (دستگاه عصبی و اندام های حسی ) دانلود با لینک مستقیم و پر سرعت .

این پاورپوینت در 32اسلاید تهیه و تنظیم شده است. با بکارگیری تصاویر جالب و جذاب و دسته بندی مطالب سعی کرده ایم یادگیری مطالب را برای دانش آموزان عزیز تسهیل بخشیم . با انتخاب این پاورپوینت از تدریس و آموزش لذت خواهید برد. بدیهی است عناوین و مطالب و اسلایدها توسط دبیران مجرب و دلسوز در جهت گسترش علم و دانش روزافزون همه دانشجویان  با ظرافت خاص جمع آوری شده است.

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

اختصاصی از نیک فایل پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 79

پیش بینی سطح آب در مخزن با استفاده از سیستم استنتاج فازی – عصبی تطبیقی

(ANFIS)

مقدمه:

سدها و مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها نه تنها در تامین آب شرب، تولید انرژی برقابی و آبیاری زمین های پایین دست کاربرد داشته، بلکه در به حداقل رسانی خسارات ناشی از سیلاب و خشکسالی نیز نقش موثری را ایفا می کنند. بدون شک به منظور استفاده کامل از آب موجود، مدیریت بهینه مخازن بسیار با اهمیت می باشد. مدیریت مخزن مجموعه ای از تصمیم ها را در بر می گیرد که جمع آوری و رهاسازی آب در طول زمان را مشخص می کنند. با توجه به کارکردهای مختلف مخازن، پیش بینی دقیق دبی ورودی و سطح آب می تواند در بهینه سازی مدیریت منابع آب، بسیار موثر باشد. با توجه به وجود روابط غیرخطی، عدم قطعیت زیاد و ویژگی های متغیر زمانی در سیستم های آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور پیش بینی دقیق سطح آب نتوانسته به عنوان یک مدل برتر و توانا شناخته شوند[1]. امروزه سیستم های هوشمند به منظور پیش بینی یک چنین پدیده های پیچیده و غیرخطی، بسیار مورد استفاده قرار می گیرند. روش بدیع سیستم استنتاج فازی – عصبی تطبیقی (ANFIS) یکی از این روشهاست که یک شبکه پس خور چند لایه می باشد و از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیرخطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه عصبی، نشان داده است که در مدل سازی فرایندهای همچون مدیریت مخازن [2،3]، سری های زمانی هیدرولوژیکی [4] و برآورد رسوب [5] بسیار قدرتمند می باشند.

هدف اصلی این تحقیق بررسی توانایی سیستم استنتاج فازی – عصبی تطبیقی جهت پیش بینی سطح آب در مواقع سیلابی و به صورت ساعتی می باشد. به این منظور از اطلاعات اشل پنج ایستگاه بالادست سد دز، جهت پیش بینی سطح آب در مخزن این سد استفاده شد. همچنین به منظور بررسی توانایی شبکه های فازی – عصبی در تقابل با تصمیمات بشری، دو الگوی متفاوت یکی با در نظر گرفتن خروجی مخزن به عنوان متغیر ورودی و دیگری بدون این متغیر به کار گرفته شد.

مواد و روشها

سیستم استنتاجی فازی – عصبی تطبیقی (ANFIS)

از زمانی که پروفسور عسگرزاده تئوری منطق فازی را به منظور توصیف سیستم های پیچیده پیشنهاد داد، این منطق بسیار مشهور شده است و به طور موفقیت آمیزی در مسائل مختلف، به ویژه کنترل کننده هایی مثل راکتور شیمیایی، قطارهای خودکار و راکتورهای هسته ای به کار گرفته شده است. اخیرا منطق فازی برای مدل کردن مدیریت مخازن و حل ویژگیهای مبهم آنها پیشنهاد شده است. با وجود این، مشکل اصلی منطق فازی این است که روند سینماتیکی برای طراحی یک کنترل کننده فازی وجود ندارد. به عبارت دیگر، یک شبکه عصبی این توانایی را دارد که از محیط آموزش ببیند (جفت های ورودی – خروجی)، ساختارش را خود مرتب کند و با شیوه ای، تعامل خود را تطبیق دهد. بدین منظور پروفسور جنگ در سال 1993 مدل ANFIS را ارائه کرد که قابلیت ترکیب توانایی دو روش مذکور را داشت[6].

ساختار و الگوریتم: [1]

ANFIS قابلیت خوبی در آموزش، ساخت و طبقه بندی دارد و همچنین دارای این مزیت است که اجازه استخراج قوانین فازی را از اطلاعات عددی یا دانش متخصص می دهد و به طور تطبیقی یک قاعده – بنیاد می سازد. علاوه بر این، می تواند تبدیل پیچیده هوش بشری به سیستم های فازی را تنظیم کند. مشکل اصلی مدل پیش بینی ANFIS، احتیاج نسبتا زیاد به زمان برای آموزش ساختار و تعیین پارامترها می باشد.

به منظور ساده سازی، فرض می شود که سیستم استنتاجی مورد نظر دو ورودی x و y و یک خروجی z دارد. برای یک مدل فازی تاکاگی – سوگنو درجه اول، می توان یک مجموعه قانون نمونه را با دو قانون اگر – آنگاه فازی به صورت زیر بیان کرد:

قانون اول: اگر x برابر A1 و y برابر B1 باشد آنگاه

قانون دوم: اگر x برابر A2 و y برابر B2 باشد آنگاه

که Pi، qi و ri (i=1,2) پارامترهای خطی در بخش تالی مدل فازی تاکاگی – سوگنو درجه اول هستند. ساختار ANFIS شامل پنج لایه می شود (شکل 1) که معرفی خلاصه ای از مدل در پی می آید:

لایه اول، گره های ورودی: هر گره از این لایه، مقادیر عضویتی که به هر یک از مجموعه های فازی مناسب تعلق دارند، با استفاده از تابع عضویت تولید می کنند.

که x و y ورودی های غیرفازی به گره I و Ai و Bi (کوچک، بزرگ و ...)، برچسب های زبانی هستند که به ترتیب با توابع عضویت مناسب Aiμ و Biμ مشخص می شوند. در اینجا معمولا از فازی سازهای گوسی و زنگی شکل استفاده می شود. باید پارامترهای این توابع عضویت که به عنوان پارامترهای مقدماتی در این لایه شناخته می شوند، مشخص شوند.

لایه دوم، گره های قاعده: در لایه دوم، عملگر " و" (AND) به کار برده می شود تا خروجی (قوه اشتعال) که نمایانگر بخش مقدم آن قانون است، بدست می آید. قوه اشتغال به مقدار درجه ای که بخش مقدم یک قانون فازی برآورده شده، گفته می شود و به تابع خروجی آن قانون شکل می دهد. از این رو، خروجی های O2,k این لایه، حاصل ضرب درجات مربوط به لایه اول هستند.