مقایسه عملکرد سه الگوریتم آموزش مومنتم، گرادیان مزدوج و لونبرگ در ساختار ANN برای پیش بینی رواناب روزانه
Publish place: 2nd Water Resources Management
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 4,035
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WRM02_208
تاریخ نمایه سازی: 2 مرداد 1385
Abstract:
امروزه یکی از روش های متداول که در امر پیش بینی سیلاب، مورد استفاده قرار می گیرد، روش شبکه عصبی مصنوعی است، شبکه عصبی مصنوعی یکی از موفق ترین تکنیک های یادگیری خودکار با ساختار ریاضی است که توانایی تعریف روابط پیچیده غیر خطی بین ورودی و خروجی بدون تلاش در جهت درک طبیعت پدیده را داراست. همچنین این روش در مسائلی که دارای الگوریتم مشخصی برای حل آنها وجود ندارد و یا در مواقعی که روشهای متعارف دارای راه حلی بسیار طولانی و زمان بر هستند، کاربرد دارد. بدلیل اینکه شبکه عصبی مصنوعی، در اجزاء مختلف ساختار خود از الگوریتم ها و توابع مختلفی سود می جوید، مقایسه بین کارکرد الگوریتم ها امری لازم و ضروری می باشد. الگوریتم مومنتم جزء الگوریتم های روش های کاهش گرادیان و دو الگوریتم دیگر جزء الگوریتم های روش های مرتبه دوم می باشند.
هدف از تحقیق حاضر، پیش بینی جریان روزانه رودخانه بختیاری به کمک شبکه عصبی مصنوعی و استفاده از سه الگوریتم آموزش نامبرده می باشد. بدین منظور برای پیش بینی جریان روزانه رودخانه در ایستگاهی واقع در پایین دست حوضه، از داده های دما، تبخیر و بارندگی ایستگاه های بالادست منطقه و بارندگی و جریان روزهای قبل ایستگاه پایین دست استفاده شده است، و به مقایسه نتایج سه الگوریتم نامبرده می پردازیم.
Keywords:
Authors
مرتضی ایزی
دانشجوی کارشناسی ارشد آب، دانشگاه صنعتی اصفهان
کیوان اصغری
استادیار دانشکده 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 :