مقایسه دو روش شبکه عصبی مصنوعی و سری زمانی در پیش بینی میزان جریان رودخانه
Publish place: 2nd Water Resources Management
Publish Year: 1385
Type: Conference paper
Language: Persian
View: 4,308
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
WRM02_218
Index date: 24 July 2006
مقایسه دو روش شبکه عصبی مصنوعی و سری زمانی در پیش بینی میزان جریان رودخانه abstract
برنامه ریزی، توسعه، مدیریت و بهره برداری بهینه از سیستم های منابع آب، ضرورت دسترسی به اطلاعات متنوعی را در زمینه های هواشناسی، هیدرولوژی ، اقتصادی، اجتماعی و … تداعی می نماید. مدلهای ریاضی موجود به داده های فراوانی در زمینه های متعدد نیاز دارند. در سالهای اخیر، از شبکه های عصبی مصنوعی به دلیل توانمندی آنها در حل مسائل پیچیده و غیر خطی، به طرز قابل توجهی در شبیه سازی فرآیندهای مختلف استفاده شده است. در این تحقیق با استفاده از شبکه عصبی پرسپترون سه لایه با تابع تاتژانت سیگموئید (tansig) در لایه مخفی و تابع خطی (purelin) در لایه خروجی و متد آموزش لونبرگ – مارکوات (LM) و با استفاده از اطلاعات ایستگاه های آبسنجی موجود درحوزه، مدلی برای پیش بینی جریان روزانه و ساعتی در خروجی حوزه کر – چمریز ، ایجاد و نتایج آن با روش خطی سری زمانی اتورگرسیو و رگرسیون چندگانه مقایسه شده است. در تمام الگوهای به کار رفته در مقیاس زمانی روزانه عملکرد شبکه عصبی بهتر ازروشهای اتورگرسیو و رگرسیون چندگانه بوده است ولی در مقیاس زمانی ساعتی نتایج بر عکس بوده است.
مقایسه دو روش شبکه عصبی مصنوعی و سری زمانی در پیش بینی میزان جریان رودخانه Keywords:
پیش بینی جریان رودخانه , سیستم های هشدار سیل , پرسپترون چند لایه , پس انتشار خطا , اتورگرسیو , رگرسیون چندگانه
مقایسه دو روش شبکه عصبی مصنوعی و سری زمانی در پیش بینی میزان جریان رودخانه authors
محبوبه کفیل
کارشناسی ارشد سازه های آبی دانشگاه مازندران
میرخالق ضیاء تبار احمدی
استاد گروه آبیاری دانشگاه مازندران
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 :