fa ارائه روش ترکیبی طراحی آزمایشات تاگوچی- تاپسیس به منظور یافتن مناسب‌ترین ساختار شبکه‌ی عصبی مصنوعی مورد استفاده در پیش‌بینی تقاضای انرژی (مطالعه موردی: تقاضای بنزین در استان هرمزگان) شبكه عصبي و هوش مصنوعي NN رساله(پايان نامه)كارشناسي ارشد Thesis(M.A.) <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; استفاده از شبکه‌های عصبی مصنوعی در پیش‌بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می‌شود تا دقت و عملکرد شبکه‌های عصبی مصنوعی افزایش یابد. در اکثر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه‌های عصبی مصنوعی استفاده می‌شود. <a name="OLE_LINK3">هم‌چنین، سایر روش‌هایی که برای تعیین بهترین ساختار شبکه عصبی وجود دارد، تنها بر اساس یک معیار ارزیابی عملکرد شبکه، ساختار مناسب را تعیین می‌کنند. در مطالعه حاضر، محققین روش جدیدی را برای طراحی ساختار شبکه ارائه می‌دهند. در این روش، با استفاده از ترکیب روش‌ طراحی آزمایشات تاگوچی و روش تاپسیس، مناسب‌ترین ساختار شبکه‌های عصبی مصنوعی، با درنظر گرفتن سه معیار ارزیابی عملکرد شبکه به طور هم‌زمان، تعیین می‌شود. </a></span>نتایج حاصل از پیش‌بینی تقاضای بنزین در استان هرمزگان با استفاده از روش مذکور، کارایی و اثربخشی این روش را نشان می‌هد. تجزیه و تحلیل واریانس پارامترهای شبکه‌های عصبی مصنوعی نشان می‌دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تعیین ساختار مناسب شبکه</span><span style="font-family:b mitra;"><span style="font-size:12.0pt;"> حدود 54% است و سهم مشارکت الگوریتم یادگیری نیز حدود 27% می‌باشد.&nbsp; </span></span><br> &nbsp; The use of artificial neural networks (ANN) in forecasting has many applications. Appropriate design of ANN parameters enhances the performance and accuracy of neural network models<span dir="RTL">.</span>&nbsp; Most studies use a trial and error approach in setting the value of ANN parameters. Other methods used to determine the best structure of a neural network only use a single evaluation criterion to determine the appropriate structure. In this study, the authors provide a new method to design the network structure. In this method, we use a combination of Taguchi experimental design and TOPSIS methods, to determine he optimal ANN structure, taking into account three evaluation criteria simultaneously. The&nbsp; estimated demand for gasoline in the Hormozgan province produced using this method, confirms its efficiency and effectiveness. Analysis of variance (ANOVA) of the ANN variables indicates that contribution of the number of neurons in the first hidden layer to the changes in the network performance is about 54% while the contribution of the learning algorithm is about 27%.<br> &nbsp; شبکه‌های عصبی مصنوعی؛ روش طراحی آزمایشات تاگوچی؛ تاپسیس؛ دلفی فازی, آنتروپی. artificial neural networks, Taguchi experimental design method, TOPSIS, Delphi fuzzy, Entropy 187 220 http://iiesj.ir/browse.php?a_code=A-10-260-2&slc_lang=fa&sid=1 ali morovati sharif abadi علی مروتی شریف آبادی alimorovati_ut@yahoo.com 10031947532846004858 10031947532846004858 No دانشگاه یزد rasool khancheh mehr رسول خوانچه مهر rs_khanchehmehr@yahoo.com 10031947532846004859 10031947532846004859 Yes دانشگاه یزد