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

سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 5,121

فایل این مقاله در 9 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:

IDNC01_240

تاریخ نمایه سازی: 22 دی 1384

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.

نویسندگان

ابوالفضل اکبرپور

عضو هیات علمی دانشگاه بیرجند – گروه مهندسی آب

خسرو حامدافتخار

دانشجو کارشناسی عمران - سد و شبکه دانشگاه بیرجند

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 ...
  • نمایش کامل مراجع