دستور زیر برای قرار دادن فهرست و اسم خطوط در کنار یا درون صفحه‌ای که نمودار آن رسم شده بکار برده شده است.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

Ylable (square err); Xlable (epoch)
این دستور نوع متغیرهای مورد نظر را روی بردار X و Y مشخص کرده است. روی بردار X متغیر epoch و روی بردار Y مربع خطا (square err) رسم شده است. برای آنالیز پاسخ شبکه روی مجموع داده‌های شبکه دستور زیر نوشته شده تا یک رگرسیون خطی بین خروجی­های شبکه و پاسخ هدف متناظر با آن را دهد، در واقع نشان دهنده این است که داده ­ها چقدر همگرا شده ­اند.
دستور زیر شبکه را با یک ورودی شبیه­سازی کرده و یک خروجی داده است.
an = sim (net, ptrans)
پس از شبیه­سازی بایستی داده ­ها را از حالت نرمالیزه خارج کرده که این کار با دستور poststd صورت گرفته است.
a = poststd (an, meant, std)
[m,b,r] = postreg(a2,t)
دستور بالا یک رگرسیون خطی را بین پاسخ شبکه و پاسخ هدف انجام داده که در آن:
m = شیب خط رگرسیون
b = عرض از مبدأ
r = ارزش همبستگی رگرسیون (r=1 یعنی همبستگی خیلی خوب)
a = پاسخ شبکه
t = بردار هدف
با توجه به استفاده از version7.4 نرم‌­افزار Matlab و قابلیت ­های بیشتر آن نسبت به نسخه‌های قبلی در برنامه اصلی مربوط به پروژه حاضر که در ادامه آورده خواهد شد، از دستور mapstd جهت نرمالیزه کردن داده‌ها استفاده شده است.
پس از تعیین همگرایی شبکه، یک شبیه‌سازی مانند شبیه­سازی قبلی برای داده­هایی که قرار است پیش‌بینی روی آنها انجام شود صورت گرفته است. دستور این شبیه­سازی مانند دستور قبلی است با این تفاوت که در دستور آخر به جای a و t به ترتیب دو ماتریس s و R را قرار داده شده است.
برای آنالیز پاسخ شبکه روی مجموع داده ­ها در شبکه، عملیاتی را انجام داده شد که یک رگرسیون خطی بین خروجی­های شبکه و پاسخ هدف متناظر با آنرا بدهد. در واقع نشان داده شده که داده ­های پیش‌بینی با مقادیر واقعی چقدر همگرا شده ­اند. برای این کار شبکه با یک ورودی شبیه­سازی شده و یک خروجی حاصل شده است. پس از شبیه­سازی، داده ­ها بایستی از حالت نرمالیزه خارج شده، که این کار با عکس عمل نرمالیزه کردن صورت گرفته شده است. و در آخر یک رگرسیون خطی بین پاسخ شبکه و بین پاسخ هدف بدست آورده شده است.
پس از تعیین همگرایی شبکه، یک شبیه­سازی برای داده­هایی که قرار است پیش ­بینی بر روی آنها انجام شود صورت گرفته و داده ­های پیش‌بینی شده حاصل به صفحه گسترده Excel منتقل گردیده است.
۳-۳-۶ برنامه مربوط به شبکه عصبی مصنوعی
load ‘data.mat’
[pn,ps1] = mapstd(p);
[ptrans,ps2] = processpca(pn,0.001);
[tn,ts] = mapstd(t);
[R,Q] = size(ptrans);
iitst = 2:4:Q;
iival = 4:4:Q;
iitr = [1:4:Q 3:4:Q ];
val.P = ptrans(:,iival); val.T = tn(:,iival)
test.P = ptrans(:,iitst); test.T = tn(:,iitst)
ptr = ptrans(:,iitr); ttr = tn(:,iitr);
net=newff(minmax(ptr),,{‘tansig’,’purelin’},’trainlm’);
net.trainParam.show = 5;
net.trainParam.epochs = 3000;
net.trainParam.goal = 1e-6;
[net,tr]=train(net,ptr,ttr,[],[],val,test);
figure(2)
an = sim(net,ptrans);
a2 = mapstd(‘reverse’,an,ts);
[m,b,r] = postreg(a2,t)
۳-۳-۷ آزمون حساسیت سنجی
فرایند آنالیز حساسیت، میزان حساسیت مدل را نسبت به متغیرهای ورودی آن نشان می­دهد. در این تحقیق برای انجام آنالیز حساسیت مدل از روش Statsoft استفاده گردیده است. در این روش مقادیر ضریب حساسیت متغیرهای ورودی از تقسیم نمودن خطای کل شبکه در غیاب یک متغیر بر خطای کل شبکه در حضور تمامی متغیرهای ورودی، بدست آمده است. بر این اساس اگر مقدار ضریب حساسیت یک متغیر بیشتر از یک باشد، آن متغیر سهم زیادی در توزیع تغییرپذیری مؤلفه­ های عملکرد داشته و حذف آن باعث بالارفتن میزان خطای شبیه­سازی می­گردد و چنانچه مقدار ضریب حساسیت متغیری کمتر از یک باشد، آن متغیر تأثیر و نقش کمتری در مدل ایفا می­نماید [۱۶۳].
۳-۴ بهینه‌سازی با الگوریتم ژنتیک
برای بهینه‌سازی مدل شبکه عصبی مصنوعی از ابزار ^[۱۳۸]GATool استفاده شده است. ابتدا پس از آنکه تابع هدف و قیود با بهره گرفتن از شبکه عصبی مصنوعی مدل شده، آنها از محیط NNTool به فضای کاری^[۱۳۹] نرم افزار Matlab فرستاده شده و سپس در یک فایل Matlab با پسوند .matذخیره کرده، با بهره گرفتن از m-file توابع مذکور را فراخوانی کرده و سپس با تعیین شروط مناسب و کافی بر روی توابع در جهت رسیدن به دقیق­ترین پاسخ، کار ادامه داده شده است. در ادامه با بهره گرفتن از ابزار الگوریتم ژنتیک در Matlab با نام gatool، فرایند بهینه­سازی انتخاب شده است در پنجره بازشده، m-file ذخیره شده را فراخونی کرده و به عنوان تابع بهینه هدف^[۱۴۰] به آن ارجاع گردیده است. تعداد متغیرهای ورودی، ۱۱ عدد (پارامترهای کیفی آب)، تعداد جمعیت^[۱۴۱] ۵۰ عدد و تعداد نسل­ها ۱۰۰ عدد در نظر گرفته شده است. برنامه مربوط به تنظیمات و نتایج حاصل در ادامه آورده شده است.
%% This is an auto generated M file to do optimization with the Genetic Algorithm and
% Direct Search Toolbox. Use GAOPTIMSET for default GA options structure.
%%Fitness function
fitnessFunction = @me;
%%Number of Variables
nvars = 11;
%Linear inequality constraints
Aineq = [];
Bineq = [];
%Linear equality constraints