ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

مدلسازی و مقایسه شبکه های عصبی مصنوعی GMDH و RBF در پیش بینی تقاضای کوتاه مدت آب شرب شهر زاهدان

سال انتشار: 1399
کد COI مقاله: JR_WATER-10-3_018
زبان مقاله: فارسیمشاهده این مقاله: 337
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدلسازی و مقایسه شبکه های عصبی مصنوعی GMDH و RBF در پیش بینی تقاضای کوتاه مدت آب شرب شهر زاهدان

مجتبی عباسیان - استادیار اقتصاد کشاورزی، دانشگاه دریانوردی چابهار
علی سردارشهرکی - استادیار گروه اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان

چکیده مقاله:

آب بخش شهری زاهدان از طریق انتقال آب از مخازن چاه نیمه سیستان تامین شده که خود دچار بحران شدید آبی است. از اینرو پیش­بینی تقاضای آب شرب این شهر، کمک موثری به مدیران و بهره­برداران سیستم آب شهری خواهد نمود، تا بتوانند نسبت به مدیریت صحیح مصرف اقدام نمایند. لذا در این مقاله از شبکه­های عصبی مصنوعی GMDH و RBF که از ابزارهای قدرتمند برای تجزیه و تحلیل و مدل­سازی روابط غیرخطی به حساب می آیند، برای برآورد تقاضای ماهانه آب شهری زاهدان در سال 1396 استفاده شد. پارامترهای موثر انتخاب شده، شامل میانگین دمای ماهانه، درصد رطوبت نسبی، متوسط میزان بارندگی، ساعات آفتابی و مصرف ماه قبل می­باشند. نتایج بدست آمده و مقایسه شاخص هایMSE  و MAE نشان می­دهد با توجه به بررسی هفت ساختار مختلف با تعداد متفاوت نرون و لایه های نهان، شبکه عصبی GMDH با  سه لایه نهان که دارای یک نرون در لایه اول، سه نرون در لایه نهان دوم و سه نرون در لایه نهان سوم می باشد، بهترین نتیجه را برای پیش بینی تقاضای کوتاه مدت آب شرب نشان داد. با مقایسه توابع فعالیت خطی و غیر خطی مشخص شد که در لایه خروجی مدل های عصبی GMDH و RBF، توابع غیر خطی عملکرد بهتری نسبت به توابع خطی از خود نشان می دهند. همچنین در بین مدلهای GMDH نیز مدلهای با خروجی غیرخطی نسبت به مدل های با خروجی خطی مناسب تر می باشند. همچنین نتایج حاکی از آن بود که بزرگتر کردن ساختار شبکه، تاثیر چندانی بر بهبود نتایج ندارند.  

کلیدواژه ها:

پیش بینی کوتاه مدت, تقاضای آب, شبکه عصبی مصنوعی, RBF, GMDH

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_WATER-10-3_018 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1016054/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
عباسیان، مجتبی و سردارشهرکی، علی،1399،مدلسازی و مقایسه شبکه های عصبی مصنوعی GMDH و RBF در پیش بینی تقاضای کوتاه مدت آب شرب شهر زاهدان،،،،،https://civilica.com/doc/1016054

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، عباسیان، مجتبی؛ علی سردارشهرکی)
برای بار دوم به بعد: (1399، عباسیان؛ سردارشهرکی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :

  • Al-Zahrani, M., Abo- Monasar, A., 2015, Urban Residential Water Demand ...
  • Gagliardi, F., Alvisi, S., Kapelan, Z., Franchini, M., 2017, A ...
  • Khatri, K.B., Vairavamoorthy, K., 2009, Water Demand Forecasting for the ...
  • Kostas, B., Chrysostomos, S., 2006, Estimating urban Residential Water Demand ...
  • Liu, J., Mingqi, C., 2010, Application of the Grey Theory ...
  • Mousavi, S.N., Kavousi, M., 2016, Application of neural network methods ...
  • Ramezani Chermahineh, A., Zounemat Kermani, M., 2017, Investigating the Efficiency ...
  • Sadeghi, H., Zolfaghri, M., Aram, R., 2012, Modeling and Urgent ...
  • Sardar Shahraki, A., 2017, Optimal allocation of water sources in ...
  • Sharzei, G.A., Ahrari, M., Fakhrai, H., 2008, Prediction of water ...
  • Tabesh, M., Dini, M., 2011, Prediction of daily urban water ...
  • Tabesh, M., Dini, M., Khoshakhlagh, A.J., Zahraie, B., 2009, Estimation ...
  • Tabesh, M., Ghosheh, S., Yazdan Panah, M.J., 2008, The short-term ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 997
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی