ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدل سری زمانی SARIMAX بهسازی شده بر مبنای روش شبکه عصبی برای مدلسازی های هیدورلوژیکی

تعداد صفحات: 9 | تعداد نمایش خلاصه: 554 | نظرات: 0
سال انتشار: 1392
کد COI مقاله: NCCE07_1488
زبان مقاله: فارسی
(فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.

قیمت این مقاله : 0 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدل سری زمانی SARIMAX بهسازی شده بر مبنای روش شبکه عصبی برای مدلسازی های هیدورلوژیکی

مهدی کماسی - استادیار گروه عمران دانشگاه آیت ا... العظمی بروجردی)ره(
وحید نورانی - دانشیار دانشکده عمران دانشگاه تبریز

چکیده مقاله:

پیشبینی صحیح فرآیندهای هیدرولوژیکی میتواند کمک شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. ویژگی های غیرخطی، عدم قطعیت ذاتی فرآیندهای استوکاستیک و پیچیده بودن مدلهای فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدلهای جعبه سیاه از جمله مدل سری زمانی و مدل شبکه عصبی مصنوعی روی آورند. در این مقاله یک مدل ترکیبی متشکل ازدو مدل شبکه عصبی و مدل خطی سری زمانی فصلی ارائه گردیده است. در این مدل ترکیبی نخست سری زمانی بارش– رواناب با الگوی سری زمانی فصلی مدلسازی شده و سپس جهت برآورد باقیمانده های سری زمانی از شبکههای عصبی بهره گیری شده تا بتوان مقدار پیش بینی رواناب را به مقدار واقعی نزدیک تر نمود. نتایج بدست آمده از این مدل ترکیبی با مدل شبکه عصبی یگانه مورد ارزیابی قرار گرفت که نتیجه کلی بیانگربرتری مدل ترکیبی می باشد. همچنین از دیگر ویژگی های این مدل، قابلیت مناسب آن در رصد نمودن نقاط اکسترمم سری زمانی است بنابراین می توان گفت که مدل ترکیبی یاد شده یک مدل نیمه خطی فصلی از فرآیندهای استوکاستیک را ارائه میدهد که میتواند راهکار مناسبی برای پیشبینی فرآیند سرهای زمانی هیدرولوژیکی باشد

کلیدواژه ها:

مدلسازي تركيبي، SARIMAX ، شبكه عصبي، سري زماني، بارش– رواناب، حوضه آق چاي

کد مقاله/لینک ثابت به این مقاله

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/217480/

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:
کماسی، مهدی و نورانی، وحید،1392،مدل سری زمانی SARIMAX بهسازی شده بر مبنای روش شبکه عصبی برای مدلسازی های هیدورلوژیکی،هفتمین کنگره‌ ملی مهندسی عمران،زاهدان،،،https://civilica.com/doc/217480

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: (1392، کماسی، مهدی؛ وحید نورانی)
برای بار دوم به بعد: (1392، کماسی؛ نورانی)
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 ممقالهقاله لینک شده اند :

  • Salas, J.D., Delleur, J.W., Yevjevich, V. and Lane, W.L. (1980), ...
  • Antar, M.A., Elassiouti, I. and Alam, M.N. (2006), _ 'Rainfal ...
  • Abrahart, R.J. and See, L.)2000), "Comparing neural network (NN) and ...
  • Ho, D.W.C. Zhang, P.A. and Xu, J. (2001), "Fuzzy wavelet ...
  • Zhang, B.L. and Dong, Z.Y. (2001), _ adaptive neural wavelet ...
  • Valenzuela, O., Rojas, I., Rojas, F., Pomares, H., Herrera, L.J., ...
  • Tseng, F.M., Yu, H.C. and Tzeng, G.H., (2002), "Combining neural ...
  • Kim, T. and Valdes, J.B. (2003), "Nonlinear model for drought ...
  • Nourani, V., Komasi, M. and Alami, M.T. (2012), "Hybrid wave ...
  • Box, G.E.P., Jenkins, G.M. (1976), "Time Series Aanalysis: Forecasting and ...
  • 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: 908
    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.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    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