معمولاً روش­های پیش­پردازش برای مدل­سازی شبکه عصبی شامل مراحل مختلف می­باشد. اولین مرحله استفاده از روش­هایی جهت تشخیص نقاط پرت و حذف آنها می­باشد. سپس در مرحله بعد داده ­های باقی مانده نرمال می­شوند.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

تشخیص نقاط پرت و غیر معمول یکی از مهمترین کارهای لازم در آنالیز آماری داده ­ها می باشد [۲۸]. آنها نقاطی هستند که در محدوده­ دورتری نسبت به اکثریت داده ­ها قرار دارند [۲۶].
روش­های زیادی برای تشخیص نقاط پرت در یک متغیر بیان شده ­اند. این روش­ها بر مبنای تخمین موقعیت و پراکندگی داده ها استوار می باشند [۲۹]. ساده ترین روش برای تشخیص نقاط پرت در یک متغیر رسم داده ها و مشخص کردن میانگین و حدود بالا و پایین (μ±σ) می­باشد. μ میانگین و σ انحراف معیار می­باشد. این محدوده در واقع همان محدوده­ای است که در نمودار توزیع نرمال، ۹۵ درصد محدوده اطمینان را نشان می دهد. نقاطی که خارج از محدوده فوق می­باشند نقاط پرت نامیده می شوند [۳۰]. استفاده از این روش بعلت سادگی و کمک به همگن کردن داده ها،‌ مورد توجه ویژه اغلب کاربران از روش های هوش مصنوعی قرار دارد ولی امکان دارد نقطه ای که به­عنوان نقطه پرت حذف می گردد در واقع نقطه پرت نبوده و ناشی ازخطای دستگاه و آزمایشگر نباشد که در نتیجه باعث انحراف نتایج از حالت واقعی می­ شود. لذا در این تحقیق جهت بررسی نرمال بودن داده ­ها از آزمون اندرسون- دارلینگ استفاده شده است. آزمون اندرسون دارلینگ، آزمونی است که فرض نرمال بودن داده ­ها را بررسی می کند. این آزمون دقیق­ترین و قوی­ترین روش برای اطمینان از نرمال بودن داده ها می باشد[۱۴]. آماره آزمون اندرسون دارلینگ بصورت رابطه­ (۴-۱) می باشد
(۴-۱)
که در آن تابع توزیع تجربی نمونه ای شامل n مشاهده و تابع توزیع پیوسته مفروض است[۳۱].
در نمودارهای زیر بررسی توزیع نرمال و یا غیر نرمال داده ها را در محیط Matlab آورده شده است. و چنانچه داده ­ها نرمال نباشند با بهره گرفتن از نرم افزار ذکر شده داده ها باید نرمال شوند.

^{نمودار (۴-۱) بررسی نرمال بودن داده ها برای IBP}

^{نمودار (۴-۲) بررسی نرمال بودن داده ها برای ۱۰%}

^{نمودار (۴-۳) بررسی نرمال بودن داده ها برای ۵۰%
نمودار (۴-۴) بررسی نرمال بودن داده ها برای ۹۰%
نمودار (۴-۵) بررسی نرمال بودن داده ها برای FBP
نمودار (۴-۶) بررسی نرمال بودن داده ها برای RON}
با توجه به نمودارها مشاهده می­ شود که چون P-valueهای به­دست آمده از این آزمون عددی کوچک­تر از سطح معنی­داری آزمون می­باشد و در واقع نمایش دهنده­­ی همان محدوده­ای است که در نمودار توزیع نرمال، ۹۵ درصد محدوده­ اطمینان را نمایش می­دهد. لذا فرض نرمال بودن متغیرها پذیرفته می شود.
۴-۴٫ مشخصات آماری داده ها
مشخصات داده ها بعد از انجام آنالیز های آماری به صورت جدول(۴-۲) خواهد بود.
جدول(۴-۲) مشخصات داده های مورد استفاده در شبکه عصبی

پارامتر

پارامترهای ورودی

پارامتر خروجی

IBP (°C)

۱۰% (°C)

۵۰% (°C)

۹۰% (°C)

FBP (°C)

RON

میانگین

۳۵٫۵۶۹

۶۳٫۹۰۱

۱۰۳٫۰۴

۱۵۰٫۴۸

۱۸۲٫۲۲

۸۶٫۴۴۰

انحراف معیار

۳٫۱۸۴

۳٫۹۴۹