سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 801

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ATTITTDE01_111

تاریخ نمایه سازی: 19 اردیبهشت 1395

چکیده مقاله ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی

پیش بینی سطح آب زیرزمینی در پیزومترها امری مهم در مدیریت صحیح منابع آب زیرزمینی می باشد. هدف از این تحقیق بررسیکارایی مدل های شبکه عصبی مصنوعی و فازی در پیش بینی سطح آب زیرزمینی است. پارامترهای بارش، دما، تخلیه و سطح آبزیرزمینی در یک زمان قبل (t(0)-1) به عنوان ورودی ها و سطح آب زیرزمینی (t0) به عنوان خروجی مدل ها استفاده شدند. لازم به ذکراست که داده ها به صورت ماهانه و مربوط به دورهی زمانی 9 ساله ( 1383-1391) می باشند. در مدل شبکه عصبی مصنوعی نوع شبکهالگوریتم و توابع مورد استفاده در پیش بینی سطح آب زیرزمینی به ترتیب شبکه پیشرو، الگوریتم لونبرگ- مارکوارت و توابع سیگموئیدیهستند. مدل فازی بکار رفته در این تحقیق، منطق فازی ساگنو می باشد که روش دسته بندی داده ها و تعیین توابع عضویت در آن به روش کاهشی (Subtractive) میباشد. برای ارزیابی کارایی و دقت مدل ها، دو پارامتر RMSE و (R(2 بین مقادیر مشاهده ای و محاسبه ای مورد استفاده قرار گرفت. نتایج نشان می دهند که هر دو مدل قابلیت پیش بینی سطح آب زیرزمینی را با دقت خوبی دارا هستند ولی مدلشبکه عصبی مصنوعی کارایی بهتری نسبت به مدل فازی را در مرحله ی آزمایش نشان می دهند.

کلیدواژه های ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی:

نویسندگان مقاله ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی

فاطمه واحدی

دانشجوی کارشناسی ارشد، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین

عطاالله ندیری

استادیار، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین

اصغر اصغری مقدم

استاد، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین

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 :
اصغری مقدم، الف.، نورانی، و، ندیری، ع.، 1387. مدل سازی ...
میر عربی، م. و نخعی، ع.، 1387. پیش بینی نوسانات ...
ندیری، ع.، 1386، پیش‌بینی سطح آب‌های زیرزمینی با استفاده از ...
ندیری، ع.، اصغری مقدم، الف.، عبقری، ه.، فیجانی، الف، 1392، ...
ندیری، ع.، اصغری مقدم، الف.، عبقری، ه.، کلانتری اسکویی، ع.، ...
Affandi, A. K., and Watanabe, K., 2007. Daily groundwater level ...
Allen, D.M. , Schuurman, N., Zhang, Q., 2007. Using fuzzy ...
ASCE Task Committee on Application of Artificial Neural Networks in ...
Bardossy, A., and Duckstein, L., 1995. Fuzzy rule-based modeling with ...
Bisht, D. C. S., Raju, M. M., and Joshi, M. ...
Calvo, P. I., and Estrada, G. J. C., 2009. Improved ...
Chiu, S. L, 1994. Fuzzy model identification based on cluster ...
Chiu, S., 1994, "Fuzzy model identification based on cluster estimation", ...
Coppola, E. A., Rana, A. J., Poulton, M. M., Szidarovszky, ...
Coppola, E., A., Duckstein, L., and Davis, D., 2002. "Fuzzy ...
Coppola, E, Szidarovszky, F., Poulton, M., and Charles, E., 2003. ...
Coulibaly, P., Anctil, F., Aravena, R., and Bobee, B., 2001. ...
Daliakopoulos, I. N., Coulibaly, P., Tsanis, I. K., 2005. Groundwater ...
Dixon, B., 2005. Groundwater vulnerability mapping: A GIS and fuzzy ...
Fausett, L., 1994. Fundamentals of neural network. Prentice Hall, Englewood ...
Feng, S., Kang, S., Huo, Z., Chen, S., and Mao, ...
Hopfield, J., 1982. Neural network and physical ayatems with emergent ...
Kord, M., A s ghari -Moghaddam, A., 2014. Spatial analysis ...
Kumar, N. V., Mathew, S., Swaminathan, G., 2010. Multifactorial Fuzzy ...
Kuo, Y-M., Liu, C-W., Lin, K-H., 2004. Evaluation of the ...
Li, X., Shu, L., Liu, L., Yin, D., Wen, J., ...
Maier, H. R., and Dandy, G. C., 2000. Neural networks ...
Mayilvaganan, M. K., and Naidu, K.B., 2011. ANN and Fuzzy ...
Rashidi, S., Mohammadan, M., and Azizi, K., 201 5.Predicting of ...
Sahoo, G. B., Ray, C., Wade. H. F., 2005. Pesticide ...
Tayfur, G., Nadiri, A.A., and Moghaddam, A.A., 2014, Supervised Intelligent ...
نمایش کامل مراجع

مقاله فارسی "ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی" توسط فاطمه واحدی، دانشجوی کارشناسی ارشد، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین؛ عطاالله ندیری، استادیار، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین؛ اصغر اصغری مقدم، استاد، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین نوشته شده و در سال 1394 پس از تایید کمیته علمی اولین کنگره بین المللی زمین، فضا و انرژی پاک پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله مدیریت منابع آب، پیش بینی سطح آب زیرزمینی، شبکه عصبی مصنوعی، منطق فازی، دشت مشگین شهر هستند. این مقاله در تاریخ 19 اردیبهشت 1395 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 801 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که پیش بینی سطح آب زیرزمینی در پیزومترها امری مهم در مدیریت صحیح منابع آب زیرزمینی می باشد. هدف از این تحقیق بررسیکارایی مدل های شبکه عصبی مصنوعی و فازی در پیش بینی سطح آب زیرزمینی است. پارامترهای بارش، دما، تخلیه و سطح آبزیرزمینی در یک زمان قبل (t(0)-1) به عنوان ورودی ها و سطح آب زیرزمینی (t0) به عنوان خروجی ... . این مقاله در دسته بندی موضوعی منطق فازی و شبکه عصبی طبقه بندی شده است. برای دانلود فایل کامل مقاله ارزیابی کارایی مدل های شبکه عصبی مصنوعی و منطق فازی در پیش بینی سطح آب زیرزمینی با 12 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.