تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود ترجمه مقاله تخمین هزینه مفهومی شبکه عصبی هیبریدی فازی در صنعت ساخت و ساز – مجله الزویر

عنوان فارسی: برآورد مفهومی هزینه با استفاده از شبکه عصبی هیبریدی فازی تکاملی برای پروژه های صنعت ساخت و ساز
عنوان انگلیسی: Conceptual cost estimates using evolutionary fuzzy hybrid neural network for projects in construction industry
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 13
سال انتشار : 2010 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 3110 رفرنس : دارد
محتوای فایل : zip حجم فایل : 760.37Kb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و مدیریت
گرایش های مرتبط با این مقاله: مدیریت صنعتی، مدیریت پروژه و هوش مصنوعی
مجله: سیستم های خبره و کاربرد های آن
دانشگاه: گروه مهندسی ساخت و ساز، دانشگاه ملی علم و صنعت تایوان
کلمات کلیدی: هزینه های ساخت و ساز، برآوردهای مفهومی، الگوریتم ژنتیکی، منطق فوزی، شبکه عصبی، شبکه عصبی مرتبه بالا، شبکه عصبی هیبریدی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

۱  مقدمه

۲  شبکه عصبی هیبریدی فوزی تکاملی (EFHNN)

۱  ۲ شبکه عصبی هیبریدی پیشنهاد شده

۲  ۲ تسهیلات منطق فوزی

۳  ۲ تسهیلات الگوریتم ژنتیکی

۳  برآوردکننده های مفهومی هزینه

۴  نتایج و مقایسه ها

۱  ۴ نتایج برآوردکننده کلی هزینه های ساخت و ساز

۲  ۴ نتایج برآورد کننده طبقاتی هزینه های ساخت و ساز

۳  ۴ مقایسه EFHNN و EFNIM

۵  نتایج

نمونه متن انگلیسی

abstract

Conceptual cost estimates are important to project feasibility studies and impact upon final project success. Such estimates provide significant information that can be used in project evaluations, engineering designs, cost budgeting and cost management. This study proposes an artificial intelligence approach, the evolutionary fuzzy hybrid neural network (EFHNN), to improve conceptual cost estimate precision. This approach first integrates neural networks (NN) and high order neural networks (HONN) into a hybrid neural network (HNN), which operates with alternating linear and non-linear neuron layer connectors. Fuzzy logic (FL) is then used in the HNN to handle uncertainties, an approach that evolves the HNN into a fuzzy hybrid neural network (FHNN). As a genetic algorithm is employed on the FL and HNN to optimize the FHNN, the final version used for this study may be most aptly termed an ‘EFHNN’. For this study, estimates of overall and category costs for actual projects were calculated and compared. Results showed that the proposed EFHNN may be deployed effectively as an accurate cost estimator during the early stages of construction projects. Moreover, the performance of linear and non-linear neuron layer connectors in EFHNN surpasses models that deploy a singular linear NN.

نمونه متن ترجمه

چکیده

یکی از عناصر مهم برای مطالعات امکان پذیری پروژه و تاثیر بر موفقیت نهایی پروژه برآوردهای مفهومی هزینه می باشد. چنین برآوردهایی اطلاعاتی معنادار ارائه می دهند که از آنها می توان در ارزیابی های پروژه، طرح های مهندسی، بودجه ریزی هزینه و مدیریت هزینه استفاده نمود. مطالعه حاضر یک شیوه هوش مصنوعی ، شبکه عصبی هیبریدی فوزی تکاملی (EFHNN) برای بهبود دقت برآورد مفهومی هزینه پیشنهاد می کند. این شیوه ابتدا شبکه های عصبی (NN) و شبکه های عصبی مرتبه بالا (HONN) را با شبکه عصبی هیبریدی (HNN) ادغام می کند که با تغییر رابط های خطی و غیر خطی لایه نورون عمل می کنند. سپس از منطق فوزی (FL) در HNN برای رسیدگی و حل عدم قطعیت ها استفاده می شود، شیوه ای که HNN را به شبکه عصبی هیبریدی فوزی (FHNN) تبدیل می کند. به خاطر استفاده از الگوریتم ژنتیکی برروی FL و HNN به منظور بهینه سازی FHNN ، ورژن نهایی بکارگرفته شده برای این مطالعه EFHNN نامیده می شود. برای این مطالعه، برآوردهای هزینه های کلی و طبقاتی پروژه های حقیقی محاسبه و باهم مقایسه گردیده است. نتایج بدست آمده نشان داد که EFHNN پیشنهاد شده را می توان به عنوان یک ارزیاب درست هزینه در طول مراحل اولیه پروژه های ساخت و ساز آرایش داد و از آن استفاده نمود. به علاوه، عملکرد رابط های لایه نورون خطی و غیر خطی در EFHNN بهتر از مدلهایی عمل می کنند که NN خطی تکینه را آرایش و گسترش می دهند.