﻿<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<ArticleSet>
<Article>
<Journal>
<PublisherName>نواندیشان</PublisherName>
<JournalTitle>کهربا</JournalTitle>
<Issn>2322-3723</Issn>
<Volume>39</Volume>
<Issue>06</Issue>
<PubDate PubStatus="epublish">
<Year>2023</Year>
<Month>06</Month>
<Day>2</Day>
</PubDate>
</Journal>
<ArticleTitle>تعیین بهترین شبکه MLP برای تخمین توابع ریاضی</ArticleTitle>
<FirstPage>20</FirstPage>
<LastPage>25</LastPage>
<Language>FA</Language>
<AuthorList>
<Author>
<FirstName>امین</FirstName>
<LastName>شیخ نجدی</LastName>
<Affiliation>استادیار دانشگاه جندی شاپور دزفول  </Affiliation>
</Author>
<Author>
<FirstName>محمدحسین</FirstName>
<LastName>رضوانی</LastName>
<Affiliation>کارشناسی الکترونیک دانشگاه دزفول</Affiliation>
</Author>
</AuthorList>
<Identifier Source="ORCID">KN0-1001-3904</Identifier>
<PublicationType>Journal Article</PublicationType>
<History>
<PubDate PubStatus="received">
<Year>2023</Year>
<Month>06</Month>
<Day>22</Day>
</PubDate>
</History>
<OtherAbstract Language="FA">ما در این مقاله سعی داریم روشی برای پیداکردن بهترین شبکه MLP که میتواند یک تابع را تخمین بزند ارائه دهیم در این روش با استفاده نرم افزار مطلب ابتدا یک شبکه MLP را پیاده سازی میکنیم سپس عملکرد آن را به ازای تعداد نرونهای مختلف همچنین به ازای تعداد لایه های مختلف بررسی میکنیم، در هر مرحله تفاضل خروجی شبکه را از خروجی مطلوب به عنوان خطای شبکه در نظر میگیریم و در پایان عملکرد یک شبکه مناسب را به عنوان معیاری برای تعیین مطلوب بودن شبکه ارائه میدهیم.</OtherAbstract>
<ObjectList>
<Object Type="keyword">
<Param Name="value">داده تست (test)</Param>
</Object>
<Object Type="keyword">
<Param Name="value">داده آموزش (train)</Param>
</Object>
<Object Type="keyword">
<Param Name="value">تابع انتقال</Param>
</Object>
<Object Type="keyword">
<Param Name="value">نرون</Param>
</Object>
</ObjectList>
<ArchiveCopySource>http://kahrobaonline.ir/wp-content/uploads/edd/2023/07/39-4.pdf</ArchiveCopySource>
</Article>
</ArticleSet>