بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب
لینک دانلود بهینه سازی SVM با Non Dominated Sorting Genetic Algorithm NSGA
بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب بیشتر بخوانید »
لینک دانلود بهینه سازی SVM با Non Dominated Sorting Genetic Algorithm NSGA
بهینه سازی ماشین بردار پشتیبان با الگوریتم ژنتیک با مرتب سازی نامغلوب بیشتر بخوانید »
لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم تجمعی ذرات Particle Swarm Optimization PSO
بهینه سازی شبکه بیزین با الگوریتم تجمعی ذرات بیشتر بخوانید »
لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم ژنتیک Genetic Algorithm GA
لینک دانلود بهینه سازی Bayesian Network شبکه بیزین با الگوریتم کلونی مورچه Ant Colony Optimization ACO
بهینه سازی شبکه بیزین با الگوریتم کلونی مورچه بیشتر بخوانید »
در مدلسازی سری زمانی ، مدل برونی خودپنداره غیر خطی یا مدل nonlinear autoregressive exogenous یا NARX به عنوان یکی از مدلهای پر کاربرد می باشد. در این مدل مقدار فعلی به مقادیر قبلی ورودی و خروجی وابسته است. رابطه یک شبکه NARX به صورت زیر است : y(t)=f(y(t−1),y(t−2),…,y(t−ny),u(t−1),u(t−2),…,u(t−nu))+Ɛ y(t) خروجی نهایی ، u(t) ورودی
در این روش نیز مدل نهایی از مجموعه ای از مدلها تشکیل شده است که در آن مدلهای پایه ای مبتنی بر درختهای تصمیمگیری هستند. در طی اعمال این الگوریتم، درختها به نمونههایی که توسط درختهای قبلی نادرست پیش بینی شده اند، وزن بیشتری میدهند. در نهایت مدل نهایی بر مبنای رأیگیری وزندار بین درختها
درخت بگینگ مخفف Bootstrap aggregating (Bagging) می باشد که در این قسمت توضیح داده شده است. الگوریتم بگینگ از مجموعه ای از مدلهای پایهای تشکیل شده و به ترتیب زیر عمل میکند. با دریافت مجموعهی آموزشی D با سایز N (تعداد نمونه های داده آموزشی)، به تعداد K مجموعه آموزشی جدید Di، با سایز n<N،
(بر روی تصویر بالا کلیک کنید) در سال 2001، Breiman الگوریتم رندوم فارست را ارائه داد که یک حالت عمومیتر از بگینگ به حساب میآید و در واقع یک لایه رندوم به بگینگ اضافه میکند. در این الگوریتم علاوه بر اینکه هر درخت با استفاده از سمپلهای متفاوتی از دادهها ساخته میشود، روند ساخت درختها
مؤلفههاي مدل ساختن مدل در فهم ما از پديدههاي دنيايي واقعي نقش مهمي دارد. ما همگي مدلهاي ذهني از دنياي اطراف خود ميسازيم و مشاهدات خود را بصورت علت و معلوم تجربه ميکنيم. مدلهاي ذهني ما را قادر ميسازند تا مسائل پيچيدهاي را حل کنيم. مهندسان، زيستشناسان و دانشمندان علوم اجتماعي با استفاده از مدلسازي
مدلسازي پويايي شناسي سيستمي در نرم افزار ithink يا STELLA بیشتر بخوانید »
نرم افزار Chemsep محصول دانشگاه تگزاس آمريكا است كه به روايتي تنها نرم افزار طراحي غير تعادلي برجهاي تقطير است كه توانايي هاي بسياري در زمينه طراحي و شبيه سازي برج هاي تقطير دارد. در انجام امر شبيه سازي با اين نرم افزار كليه شرايط فرآيندي مشابه با نرم افزار HYSYS كه با شرايط فرآيندي