فایل ورد کامل مقایسه بین شبکه های عصبی و آنالیز رگرسیونی چندگانه (چند متغیره) به منظور پیش بینی فرایند متلاشی شدن سنگ ها در معادن رو باز

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مقایسه بین شبکه های عصبی و آنالیز رگرسیونی چندگانه (چند متغیره) به منظور پیش بینی فرایند متلاشی شدن سنگ ها در معادن رو باز،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

۴ نتایج و بحث
مقایسه نتایج به دست آمده از طریق مدل های رگرسیونی و شبکه عصبی به کارگیری شده در مقاله پیش رو، به خوبی نشان دهنده دقت بالای نتایج حاصل شده از بکارگیری شبکه عصبی در پیش بینی فرایند خرد شدن سنگ ها در عملیات انفجاری دارد، البته نتایج مدل های رگرسیونی بکارگیری شده نیز نزدیک به واقعیت بود.
عملکرد هر یک از مدل های انتخاب شده (مدل های رگرسیونی و شبکه عصبی) با استفاده از یک معیار مشخص مانند RMSE، BIAS، خطای استاندارد پیش بینی (SEP)، ضریب کارآمدی Nash–Sutcliffe (Ef)، و فاکتور دقیق (Af) برمبنای مقایسه ی مقادیر وابسته و مقادیر پیش بینی شده ی مدل تعیین گردید (Palani et al.2008). مقادیر پارامترهای معیار محاسبه شده برای هر سه مجموعه ی داده ای موجود محاسبه گردید (کالیبره سازی، اعتبارسنجی، آزمون).

عنوان انگلیسی:Comparison Between Neural Networks and Multiple Regression Analysis to Predict Rock Fragmentation in Open-Pit Mines~~en~~

۴ Conclusions and Discussion

Comparing the results achieved with the ANN and regression models for the present research, it is quite clear that the results obtained from the ANN in predicting fragmentation resulting from blasting with respect to regression models are close to those in reality. The performance of each of the selected (regression models and ANN) models was determined by using criteria such as the RMSE, the bias, standard error of prediction (SEP), the Nash–Sutcliffe coefficient of efficiency (Ef), and the accuracy factor (Af) computed from the measured and model-predicted values of the dependent variables (Palani et al. 2008). Values of the criteria parameters were computed for all the three datasets (calibration, validation, and test).

$$en!!