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

River flow forecasting using artificial neural networks

تعداد صفحات: 6 | تعداد نمایش خلاصه: 1686 | نظرات: 0
سال انتشار: 1383
کد COI مقاله: HDRS_49
زبان مقاله: انگلیسی
(فایل این مقاله در 6 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.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت 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 6 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 River flow forecasting using artificial neural networks

M. Zakermoshfegh - PhD Student of Civil Engineering, Tarbiat Modarres University
M. Ghodsian - Associate Professor of Hydraulic Engineering, Tarbiat Modarres University
Gh.A. Montazer - Assistant Professor of Electrical Engineering, Tarbiat Modarres University

چکیده مقاله:

River flowforecasting is required to provide important information on a wide range of cases related to design and operation of river systems. Since there are a lot of parameters with uncertainties and non-linear relationships, the calibration of conceptual or physically-based models is often a difficult and time consuming procedure. So it is preferred to implement a heuristic black box model to perform a non-linear mapping between the input and output spaces without detailed consideration of the internal structure of the physical process.The base of intelligent methods is to use the inner knowledge of data, extraction of native relationships between them and generalization in other locations.Artificial Neural Network (ANN) is one of the most popular methods of artificial intelligence that mimics the characteristics of the human brain and saves the information of data in the network weights during the training process. In this study, the capability of ANNs for stream flow forecasting in the Sulaghan river at Kan hydrometric station was investigated. Two types of ANNs namely Multi Layer Perceptron (MLP) and Radial Basis Function (RBF) network were introduced and implemented. The results show that the discharge can be adequately forecasted by these kinds of ANNs.

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/3870/

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:
M. Zakermoshfegh, و M. Ghodsian, و Gh.A. Montazer, ,1383,River flow forecasting using artificial neural networks,کنفرانس بین المللی هیدرولیک سدها و سازه های رودخانه ای,تهران,,,https://civilica.com/doc/3870

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: (1383, M. Zakermoshfegh, ؛ M. Ghodsian و Gh.A. Montazer)
برای بار دوم به بعد: (1383, M. Zakermoshfegh؛ M. Ghodsian و Gh.A. Montazer)
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 :

  • Babovic, V. & Bojkow, V. 2001. R un off Modeling ...
  • Dawson, C.W. & Wilby, R. 1998. An artificial neural network ...
  • Dibike, Y.B., Solomatine, D.P. & Abbot, M.B. 1999. On the ...
  • Gorzalczany, M.B. 2002. Co nputational Intelligence Systens and Applications, Physica- ...
  • Hecht-Niel Son, R. 1987. Kolmogorov s Mapping Neural Network Existence ...
  • Karayiannis, N.B. & Venetsanopou los, A.N. 1993. Artificial Neural Networks: ...
  • Mason, J.C., Price, R.K. & Tem'me. 1996. A neural network ...
  • Rumelhart, D.E., McClelland, J.L. & the PDP research group. l986. ...
  • Werbos, P.J. 1974. Beyond regression: New tools for prediction and ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

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