شبیه سازی تعادل آب مخزن سد با استفاده از شبکه های عصبی برگشتی جزئی

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 565

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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ECONF01_723

تاریخ نمایه سازی: 21 تیر 1393

Abstract:

این تحقیق با شبکه های عصبی برگشتی جزئی (با ارجاع جزئی) و کاربردهای آنها برای مدل سازی با رگرسیون خودکار غیر خطی سیستم های پویا سروکار دارد. این نوع خاص از شبکه عصبی می تواند به عنوان یک مدل داده محور در فضای حالت مورد توجه قرار گیرد که در آن از یک مدل شبکه عصبی استاندارد برای توضیح تابع تبدیل غیرخطی استفاده شده است؛ بنابراین هر پاسخ دارای همان فرم عمومی مکانیسم انتشار زمان است که در مدل های مفهومی پویا و مدل های جعبه سیاه خطی مدل ARMAX دیده می شوند. در این تحقیق، پیش زمینه نظری در مورد شبکه های عصبی برگشتی جزئی همراه با کاربرد آن در شبیه سازی تعادل آب مخزن سد زاینده رو در استان اسفهان در کشور ایران که نشان دهنده ارتباط عملی این ابزارها برای مدلسازی سیستم های آبی پویا می باشد، ارائه شده است.

Keywords:

شبکه عصبی برگشتی جزئی , مدل سازی , مخازن , زاینده رو

Authors

عبدالرسول شفیعی دستجردی

کارشناس ارشد مرکز تحقیقات کشاورزی و منابع طبیعی بلوچستان

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 :
  • Abrahart, R.J. & Kneale, P.E. Exploring neural network rainfall-runof modelling. ...
  • Assari, A. & Assari, E. Urban spirit and heritage conservation ...
  • Beale, R. & Jackson, T. Neural Computing. An Introduction. Bristol: ...
  • Chavent, G. Identification of distributed parameter systems: about the output ...
  • Clair, T.A. & Ehrman, J.M. Using neural networks to assess ...
  • Cybenko, G. Approximation by Superpositions of a sigmoidal function. Math. ...
  • Haykin, S. Neural Networks. A Comprehensive Foundation. New York: Macmillan ...
  • Hertz, J., Krogh, A. & Palmer, R.G. Introduction o the ...
  • Hormik, K., Stinchcombe, M. & White, H. Multilayer feedforward networks ...
  • Hsieh, W.W. & Tang, _ Applying neural network models to ...
  • Lange, N.T.G. Advantages of unit hydrograph derivation by neural networks. ...
  • Minns, A.W. & Hall, M.J. Artificial neural networks as rainfall-runof ...
  • Press, W.H., Flannery, H., Teukolsky, S.A. & Vetterling, W.T. Numerical ...
  • Proaio, C.O., Verwey, A., Van den Boogaard, H.F.P & Minns, ...
  • Recknagel, F., French, M., Harkonen, P. & Yanunaka, K.I. Artificial ...
  • Sanchez, _ Arroyo, V., Garcia, J., Koev, K. & Revilla, ...
  • Scardi, M. Artificial neural networks as empirical models for estimating ...
  • Shen, Y., Solomatine, D.P. & Van den Boogaard, H.F.P. Improving ...
  • Solomatine, D.P. & Avila Torres, L.A. Neural network application of ...
  • Van den Boogard, H.F.P., Ten Brummelhuis, P.G.J. & Mynett, A.E. ...
  • Van Gent, M.R.A. & Van den Boogaard, H.F.P. Neural network ...
  • Wen, C.-G. & Lee, C.-S. A neural network approach to ...
  • نمایش کامل مراجع