توضیحات
Prediction of Slot-Size and Inserted Air-Gap for Improving the Performance of Rectangular Microstrip Antennas Using Artificial Neural Networks
دو فولدر برای برنامه قرار داده شده است:
- فولدر Run Manual Method که شامل انتخاب دستی الگوریتم آموزش می باشد:
فایل main را باز کرده و پس از تنظیم پارامترهای شبکه عصبی شامل تعداد داده های آموزش و تست، حداکثر تعداد تکرار، تعداد لایه ها، تعداد نرون در لایه های مخفی، نوع الگوریتم آموزش ( با توجه به کدی که برای هر یک درنظر گرفته شده) برنامه شبکه عصبی را با استفاده از الگوریتم انتخابی آموزش داده و مقادیر خطاها و خروجی های پیش بینی شده و حقیقی را در فایل اکسلی به نام results ذخیر می کند که پس از اجرای برنامه می توانید مشاهده کنید.
همچنین نمودار همبستگی داده های پیش بینی شده و حقیقی برای هر دو فرایند آموزش و تست رسم می شود.
فولدر All Methods که تمام مدهای آموزش را به ترتیب اجرا می کند.
پس از باز کردن فایل main در این پوشه فقط باید تعداد داده های آموزش و تست، حداکثر تعداد تکرار، تعداد لایه ها مشخص شود و برنامه به طور خودکار بترتیب شبکه عصبی را با الگوریتم های موردنظر آموزش داده و نتایج در قالب فایلهای اکسل با نام result*** (منظور از *** نام مخفف الگوریتم آموزش است) و نمودار همبستگی خروجی های شبیه سازی شده و واقعی با همان نام در فرمت tif در فولدر ذخیره می شوند.
پس از اجرای کامل برنامه و به اتمام رسیدن عملیات شبیه سازی، معیارهای خطاهای موردنظر در فایل Result برای همه الگوریتم ها قابل مشاهده خواهد بود.
|
nTrainData=1000; % Number of Train Data nCheckData=350; % Number of check Data MaxEpoch=2; nLayers=3; % nLayers > 2; 2 Hidden Layer + 1 Output Layer NoNeroun=5; |
توضیحات تکمیلی:
- داده های آماده شده در فایل اکسل Data قرار داده شده که 10 ستون اول داده های ورودی و 5 ستون انتهایی داده های خروجی می باشند.
- با توجه به اینکه بازه داده ها با یکدیگر متفاوت می باشد، ابتدا کلیه داده های در بازه 0 و 1 نرمالیزه شده و سپس در شبکه مورد استفاده قرار گرفته اند.
- با توجه به تعداد مشخص شده برای داده های آموزش و تست برنامه برای ایجاد جامعیت بیشتر شبکه عصبی از بین 1350 دسته داده موجود 1000 دسته داده را بصورت رندوم برای فرایند آموزش برداشته و مابقی را برای تست استفاده می کند.
- هسته اصلی برنامه در فایل ANNrun می باشد که با توجه به تنظیمات انجام شده شبکه را تشکیل داده و پس از آموزش شبکه معیارهای مقایسه را از طریق تابع ErrorCalc تعیین کرده و در آرایه ANN قرار می دهد.
- معیار مقایسه شبکه ها
میزان یادگیری و عملکرد شبکه از طریق پارامترها و روشهای مختلفی سنجیده میشود. در این پروژه از سه روش زیر برای سنجش میزان یادگیری و عملکرد شبکه استفاده شده است:
- میانگین مجموع مربعات (MSE):
…
- میانگین خطای نسبی بین خروجی‌های واقعی و شبکه (MAE):
…
- yi خروجی شبکه، ti خروجی واقعی ، N تعداد زوج‌های آموزش و یا آزمایش می‌باشدجذر میانگین مجموع مربعات (RMSE):
- ضریب همبستگی (R2)[1]: این ضریب نسبت خروجی‌های واقعی و خروجی های تخمین زده شده به وسیله شبکه عصبی را نشان میدهد. هر چه مقدار این ضریب به عدد یک نزدیکتر باشد، میزان یادگیری و عملکرد شبکه نیز بهتر است.
3. correlation coefficent ↑
کلید واژه :
Cross-slotted geometry, inserted air-gap, neural ,networks, rectangular microstrip patch, slot-size, synthesis model
شبیه سازی مقاله
Prediction of Slot-Size and Inserted Air-Gap for Improving the Performance of Rectangular Microstrip Antennas Using Artificial Neural Networks
توسط کارشناسان سایت متلبی پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.