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

مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیش بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی

سال انتشار: 1385
کد COI مقاله: IDNC01_240
زبان مقاله: فارسیمشاهده این مقاله: 4,982
فایل این مقاله در 9 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 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیش بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی

ابوالفضل اکبرپور - عضو هیات علمی دانشگاه بیرجند – گروه مهندسی آب
خسرو حامدافتخار - دانشجو کارشناسی عمران - سد و شبکه دانشگاه بیرجند

چکیده مقاله:

به منظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی, همچنین محاسبه و طراحی دقیق حجم سد در احداث سدهای مخزنی , ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز , ارزیابی و برآورد گردد . برای تحقق این موضوع , روش ها و مدلهای متفاوتی وجود دارند که لازمه آنها وجود پارامترهای موثر در آن ها و یا آمار و اطلاعات کافی میباشد. در عصر حاضر استفاده از شبکههای عصبی مصنوعی می تواند جایگزین مناسبی برای مدلهای دیگر باشد. این سیستمها با الهام گیری از ساختار نروسیناپتیکی مغز بشر, دارای قابلیتهای یادگیری, پردازش موازی و تعمیم برای دادههای مشابه میباشند. در این مقاله هدف, مقایسه عملکرد دو مدل شبکه عصبی مصنوعی و رگرسیون برای پیشبینی میزان آورد رسوب, برای حوزه اهرچای در ١٣٥١ از ایستگاه درجه یک تازه کند است . نتایج - استان آذربایجان شرقی , بر اساس داده های دبی - رسوب سالهای ١٣٧٦ حاصله از مقایسه دو مدل نشان داد که مدل شبکه عصبی پرسپترون چندلایه (پیشخور با الگوریتم پس انت شار خطا), با ضریب تعیین 0/8، راندمان مدل 0/7 و مجموع مربعات خطا 0/055 در مقایسه با مدل رگرسیونی (ضریب تعیین 0/52 ، راندمان مدل 0/62 و مجموع مربعات خطا 068/0 ) از کارایی بهتر و دقت بالایی برخوردار است.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا IDNC01_240 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/5612/

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:
اکبرپور، ابوالفضل و حامدافتخار، خسرو،1385،مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیش بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی،اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی،اهواز،https://civilica.com/doc/5612

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: (1385، اکبرپور، ابوالفضل؛ خسرو حامدافتخار)
برای بار دوم به بعد: (1385، اکبرپور؛ حامدافتخار)
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 :

  • سازمان آب منطقه‌ای آذربایجان شرقی و اردبیل. 1381. گزارش‌های آماری ...
  • سازمان آب منطقه‌ای آذربایجان شرقی و اردبیل. 1368. گزارش مطالعات ...
  • مختاری، م. 1380. کاربردهای Matlab و Simulink در مهندسی. چاپ ...
  • منهاج، م.ب. 1381. مبانی شبکه‌های عصبی مصنوعی (هوش محاسباتی). جلد ...
  • نعمت الهی، ن. 1382. آمار و احتمالات مهندسی. چاپ سوم. ...
  • ASCE. 2000a. Artificial neural networks in hydrology-I: preliminary concepts. J. ...
  • ASCE. 2000b. Artificial neural networks in hydrology-II: hydrologic applications. J. ...
  • Cannon, A.J., Whitfield, P.H., 2002. Downscaling recent stream-flow conditions in ...
  • Gautam, M.R., Watanabe, K., Saegusa, H., 2000. Runoff analysis in ...
  • Govindaraju, R.S., Rao, A.R., 2000. Introduction. In: Govindraraju, R.S., Rao, ...
  • Hsu, K.L., Gupta, H.V., Sorooshian, S., 1995. Artificial neural network ...
  • Maier, H., Dandy, G.C., 2000. Neural networks for the prediction ...
  • McCulloch, W.S., Pitts, W.H., 1943. A logical calculus of the ...
  • Nagy, H.M., Watanabe, K., Hirano, M., 2002. Prediction of sediment ...
  • Reddy, S.B. 2003. Estimation of watershed runoff using artificial neural ...
  • Salas, J.D., Markus, M., Tokar, A.S., 2000. Streamflow forecasting based ...
  • Sarangi, A., Bhattacharya, A.K., 2005. Comparison of artificial neural network ...
  • Sharma, V., Negi, S.C., Rudra, R.P., Yang, S., 2003. Neural ...
  • Shukla, M.B., Kok, R., Prasher, S.O., Clark, G., Lacroix, R., ...
  • Sivakumar, B., _ ayawardena, A.W., Fernando, T.M.K.G., 2002. River flow ...
  • Sudheer, K.P., Gosain, A.K., Ramasastri, K.S., 2002. A data-driven algorithm ...
  • Yang, C.C., Prasher, S.O., Lacroix, R., 1996. Applications of artificial ...
  • Yitian, L., Gu, R.R., 2003. Modeling flow and sediment transport ...
  • Yu, C., Northcott, W.J., Mclsaac, G.F., 2004. Development of an ...
  • Zhang, B., Govindaraju, R., 2003. Geom O rp hology-based artificial ...
  • 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.

    کدام مقالات به این منبع استناد نموده اند

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 8,515
    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