فصل اول: کلیات
1-1 مقدمه 2
1-2 روابط بارندگی رواناب 4
1-3 پیشینه تحقیق 5
1-4 اهمیت مطالعه فرایند بارندگی رواناب 6
1-5 هدف از تحقیق 7
فصل دوم: معرفی شبکه های عصبی و مدل HEC-HMS
2-1 شبکه های عصبی مصنوعی 10
2-1-1 مقدمه 10
2-1-2 تاریخچه 10
2-1-3 ساختار کلی شبکه های عصبی 11
2-1-4 مراحل بکارگیری ANN 14
2-1-4-1 تعیین ورودی خروجی های مناسب و تهیه زوجهای اموزشی 15
2-1-4-2 استاندارد و نرمالیزه کردن داده ها 15
2-1-4-3 دسته بندی داده ها 16
2-1-4-4 اموزش 16
2-2 شبکه پرسپترون چند لایه(MLP) 17
2-2-1 اموزش شبکه MLP 18
2-2-1-1 مرحله رفت 18
2-2-1-2 مرحله بازگشت و اصلاح وزنهای اتصال 18
2-2-1-3 تکرار محاسبات 19
2-2-2 نکاتی راجع به استفاده از الگوریتم انتشار برگشتی 19
2-2-2-1 نحوه دادن ورودی ها در الگوریتم انتشار برگشتی 19
2-2-2-2 انتخاب تابع فعالیت در الگوریتم پس انتشار خطا 20
2-2-2-3 خصوصیات وزنهای اصلاح شده در الگوریتم انتشار برگشتی 20
2-3 شبکه تابع پایه شعاعی(RBF) 21
2-3-1 خوشه بندی 24
2-3-2 اموزش شبکه RBF 25
2-3-2-1 موقعیت مراکز U 25
2-3-2-2 تعیین 26
2-3-2-3 اموزش ماتریس وزن لایه خروجی 26
2-4 مدل HEC-HMS 28
2-4-1 روشهای تعیین میزان تلفات اب 29
2-4-1-1 روش کمبود رطوبت خاک 29
2-4-1-2 روش مقدار اولیه و شدت ثابت 30
2-4-1-3 روش شماره منحنی SCS 30
2-4-1-4 روش گرین امپت(Green & Ampt) 31
2-4-2 روشهای محاسبه رواناب 32
2-4-2-1 هیدروگراف واحد اشنایدر(Snyder UH) 32
2-4-2-2 هیدروگراف واحد SCS 33
2-4-2-3 هیدروگراف واحد کلارک(Clark UH) 34
2-4-2-4 روش موج کینماتیک 34
2-4-3 روشهای تعیین دبی پایه 36
2-4-3-1 روش مقادیر ثابت ماهانه 36
2-4-3-2 روش کاهش نمایی 36
2-4-3-3 مدل ذخیره خطی 37
2-4-4 واسنجی و صحت یابی مدل 37
فصل سوم: حوزه مورد مطالعه
3-1 مقدمه 41
3-2 حوزه رودخانه زرد 41
فصل چهارم: نتایج
4-1 مقدمه 49
4-2 ازمون داده ها 49
4-2-1 ازمون تعیین داده های پرت(Outlier test) 49
4-2-2 ازمون همگنی داده ها 50
4-2-3 غربال سازی داده ها(Screening the data) 53
4-3 داده های مورد استفاده 55
4-4 بکارگیری شبکه MLP 64
4-4-1 اموزش شبکه یک لایه 64
4-4-2 اموزش شبکه دو لایه 66
4-5 بکارگیری شبکه RBF 70
4-6 مقایسه شبکه های MLP و RBF 71
4-7 تحلیل انالیز حساسیت 75
4-8 بکارگیری مدل HEC-HMS 78
4-8-1 بهینه سازی مدل 78
4-8-2 داده های مورد نیاز جهت اجرای مدل 79
4-9 مقایسه شبکه عصبی RBF با مدل HEC-HMS 88
4-10 مثال کاربردی1 90
4-11 مثال کاربردی2 92
4-12 نتیجه گیری و پیشنهادات 94
ضمیمه: طراحی شبکه های RBF و MLP با کمک نرم افزار MATLAB
مقدمه 97
شبکه عصبی چند لایه 98
نرون سیگموییدی 98
نرون خطی 99
ساختار شبکه های چند لایه 100
انتخاب الگوریتم یادگیری 101
الگوریتم لونبرگ مارکوارت 102
بهینه کردن الگوریتم اموزش 102
نرمالیزه کردن داده های ورودی 103
شبکه عصبی تابع بنیادی شعاعی 103
نرون تابع بنیادی شعاعی 103
ساختار شبکه تابع بنیادی شعاعی 105
طراحی شبکه تابع بنیادی شعاعی 107
طراحی سریع 107
طراحی کارامد 108
شبیه سازی خروجی های شبکه های عصبی 109
منابع 110