مقایسه شبکه عصبی با سیستم فازی-عصبی تطبیقی در پیش بینی خشکسالی هواشناسی
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,979
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
DESERT01_068
تاریخ نمایه سازی: 30 مرداد 1391
چکیده مقاله:
خشکسالی به عنوان یکی از مهمترین بلایای طبیعی بوده که بر ابعاد مختلف زندگی بشر تاثیر می گذارد. در طی دهه های اخیر تکنیک های هوشمند توانایی های زیادی را در مدل سازی و پیش بینی سری های زمانی غیر خطی و غیر ایستا نشان داده اند. از این رو در این مطالعه از روش های شبکه عصبی مصنوعی و سیستم فازی-عصبی تطبیقی به منظور پیش بینی خشکسالی، استفاده شده است. به این منظور از داده های بارندگی در حوزه آبخیز صوفی چای و قلعه چای، برای این مطالعه استفاده شد. ابتدا شاخص SPI شش ماهه محاسبه و بعنوان ورودی برای مدل های ANN و ANFIS در نظر گرفته شد. نتایج این بررسی نشان داد که ANFIS عملکرد بهتری نسبت به ANN در مدل سازی و پیش بینی خشکسالی را دارد. نتایج نشان داد که شبکه ای با الگوریتم یادگیری لونبرگ-مارگارت با تابع انتقال تانژانت سیگموئید در لایه مخفی، با 40 نرون و برای یک گام به جلو و با RMSE و R2 به ترتیب 81/1 و 89/0 بهترین مدل شبکه عصبی در این تحقیق بودند. همچنین نتایج بیانگر این بود که مدلی با تابع عضویت pi در گام زمانی یک گام روبه جلو با تعداد توابع عضویت 5 و در تکرار 3000 و با RMSE و R2 به ترتیب 089/0 و 90/0 بهترین عملکرد را داشته است.
کلیدواژه ها:
نویسندگان
باقر شیر محمدی
دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
حمیدرضا مرادی
دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
مجید طائی
دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
وحید موسوی
دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
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 :