توسعه مدل شبکه عصبی بر مبنای توابع آموزش گرادیان مزدوج و پس انتشار ارتجاعی برای پیش بینی ضریب انتشار طولی رودخانه ها
Publish place: Water Resources Engineering Journal، Vol: 12، Issue: 41
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 90
This Paper With 16 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:
JR_WEJMI-12-41_005
تاریخ نمایه سازی: 26 بهمن 1402
Abstract:
گام اساسی در مدل سازی کیفی محیط های آبی یک بعدی مانند رودخانه ها، تعیین ضریب انتشار طولی (LDC) برای معادله ی انتقال-پخش آلاینده ها است. در این مقاله برای پیشبینی LDC، مدل شبکه ی عصبی مصنوعی (ANN) بر مبنای الگوریتم های آموزشی با رویکرد عددی و همچنین رویکرد اکتشافی توسعه داده شده است. برای این منظور توابع آموزشی گرادیان مزدوج شامل توابع فلچر-ریوس، پولاک-ریبره، پاول-بیل و گرادیان مزدوج مقیاسدار از دسته الگوریتم های عددی و همچنین تابع پس انتشار ارتجاعی از دسته الگوریتم های اکتشافی برای بهینه سازی پارامترهای مدل ANN استفاده شدند. در مرحله ی بعد با استفاده از آمارههای بررسی شده برای ارزیابی نتایج، بهترین مدل با ساختار شامل هر یک از توابع نامبرده انتخاب شدند و در ادامه از بین مدلهای منتخب، مدلی که بهترین عملکرد را داشت، یعنی مدل با تابع آموزش پس انتشار ارتجاعی، با توجه به آماره ی نسبت تفاوت توسعه یافته (DDR)، به عنوان نتیجه نهایی این مقاله برگزیده شد. در پایان نیز برای ارزیابی بهتر نتایج تحقیق، رویکردی مقایسه ای بین نتیجه بهترین مدل توسعه داده شده با دیگر مطالعات انجام گرفته به وسیله مدل های هوشمند انجام شد که یافته ها حاکی از عملکرد برتر مدل پس انتشار ارتجاعی بود.
Keywords:
Authors
روح اله نوری
دانشگاه تهران
بهزاد قیاسی
دانشگاه تهران
عبدالرضا کرباسی
دانشگاه تهران
امین سارنگ
دانشگاه تهران
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 :