مقایسه نتایج حاصل از شبکه های عصبی MLP و RBF در پیش بینی جریان های ساحلی
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,538
This Paper With 6 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:
ICOPMAS07_145
تاریخ نمایه سازی: 14 فروردین 1385
Abstract:
بررسی جریان های ساحلی هنگام طوفان از آن جهت دارای اهمیت وﯾﮋه می باشد که اکثر تغییرات در خطوط ساحلی و جابجایی رسوبات در این زمان رخ می دهد. در برآورد جریان های ساحلی در شرایط طوفانی به علت سختی کار در برداشت داده های میدانی و نیز پیچیدگی تحلیل بر روی داده های همزمان اثر موج و باد های شدید تاکنون تحقیقات چندانی صورت نگرفته و دارای ابهامات زیادی است. هدف از تحقیق حاضر مقایسه دو نوع شبکه عصبیMLP وRBF برای برآورد جریان های ساحلی در شرایط طوفانی است که از پرکاربردترین شبکه ها در مسایل تقریب توابع هستند. در این تحقیق توانمندی های این دو نوع شبکه عصبی در مدلسازی جریان های ساحلی در ساحل جواتسو- اوگاتا نشان داده شد. به گونه ای که این مدل ها توانستند نتایج معقولی در مناطق مختلف این سایت ارائه دهند. مدل های کلی ارائه شده نهایی نشان می دهند که می توانند نواحی مختلف ساحلی را به خوبی درک کرده و نیز در تمامی حالات جواب هایی با دقت قابل قبول داشته باشند. همچنین قابلیت این شبکه ها نیز با یکدیگر مورد مقایسه قرار گرفت. با مقایسه پاسخ ها ، ارقام و روند مشابهی در دو نوع شبکه ملاحظه گردید. در نهایت مقایسه ای بین این دو نوع شبکه با مدل های رگرسیون آماری انجام گرفت که نتایج نشان دهنده میزان عملکرد بهتر این شبکه ها نسبت به مدل رگرسیونی بود.
Keywords:
جریان های ساحلی , شرایط طوفانی , شبکه های عصبی مصنوعی , شبکه های عصبی آماری( RBF ) و شبکه های عصبی MLP
Authors
مژگان اثناعشری محمدی
کارشناس ارشد آب، دانشگاه علم و صنعت ایران،تهران
عباس یگانه بختیاری
استادیار دانشکده عمران،دانشگاه علم و صنعت ایران،تهران
کاوه کامیاب مقدم
کارشناس ارشد سازه ، دانشکده فنی دانشگاه تهران ، 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 :