مدل‌سازی جریان ورودی به مخزن با استفاده از شبکه‌های عصبی زمانی با رویکرد عامل فراموش‌کننده
Publish place: 2nd Water Resources Management
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,566
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WRM02_065
تاریخ نمایه سازی: 2 مرداد 1385
Abstract:
در این مقاله، روشی بازگشتی با عامل فراموش کننده برای کالیبراسیون پیوسته شبکه های عصبی زمانی پیشنهاد می شود . رویکرد عامل فراموش کننده الگوریتم های بازگشتی را قادر می سازد تا تأثیر داده ها و خطاهای قدیمی را در بهنگام سازی و آموزش مدل کاهش دهند . روش پیشنهادی برای کالیبراسیون شبکه عصبی به منظور مدل سازی جریان ورودی به مخزن استفاده می گردد . ری
زمانی ماهانه ورودی به مخزن سد کارون ۳ در جنوب غربی ایران برای ارزیابی عملکرد رویکرد پیشنهادی استفاده می شود . همچنین، مدل خودهمبسته میانگین متحرک (ARMA) نیز در این مطالعه به منظور مقایسه به کار گرفته می شود . نتایج تحقیق حاکی از عملکرد بهتر شبکه عصبی زمانی کالیبره شده با این رویکرد از لحاظ دقت پیش بینی در مقایسه با شبکه عصبی آموزش داده شده با روش های معمول می باشد . همچنین، شبکه عصبی با رویکرد آموزش پیشنهادی دقت بیشتری را در مدل سازی نسبت به مدل آماری ARMA که با رویکرد عامل فراموش کننده کالیبره شده، نشان می دهد
Keywords:
Authors
سید سامان رضوی
دانشجوی دکتری مهندسی عمران - منابع آب دانشگاه صنعتی امیرکبیر، مهندسی
شهاب عراقی نژاد
استادیار دانشگاه علم و صنعت ایران
حکیمه منشی
کارشناس آبیاری، دانشکده منابع طبیعی گرگان
نسیم حسینی
کارشناس عمران، دانشگاه صنعتی اصفهان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :