بررسی تأثیر قوانین مختلف یادگیری بر دقت مدلسازی شبکه عصبی پرسپترون چند لایه در پیشبینی بیلان آبی سد مخزنی قشلاق
محل انتشار: پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,080
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WATERSHED05_211
تاریخ نمایه سازی: 11 بهمن 1388
چکیده مقاله:
مدل های هوشمند، پردازش کننده های موازی می باشند که روابط بین سیگنالهای ورودی را یادگرفته و با به روز رسانی ضرایب وزنی مناسبترین توپولوژی ممکن را برای شبیه سازی الگوها ارائه می نمایند . در مسائل مربوط به منابع آب انتخاب مدل هایی که تا حد امکان به واقعیت موجود حوزه آبخیز نزدیک باشد ، بسیار مشکل است . شبکههای عصبی مصنوعی از جمله مدل هایست که می تواند با دقت مناسبی واقعیات موجود پدیده های هیدرولوژیک را به تصویر بکشد و پیش بینی آن نزدیکتر به و اقعیت باشد اما دقت آن بستگی به نحوه استفاده از الگوریتمهای یادگیری و قوانین آموزش آن دارد . در این مقاله به منظور برآورد دقت پیش بینی دبی ورودی به سد قشلاق از 6 قانون یادگیری در شبکه پرسپترن چند لایه پیش خور با نامهای Ext ،Delta Rule ،Quick PropNormalized Cumulative Delta و Delta Bar Delta(DBD) ،Max Prop ،DBD استفاده گردید.
کلیدواژه ها:
نویسندگان
یوسف محمدی
کارشناس ارشد آبخیزداری مهندسین مشاور ژیناب غرب
جلیل مبارکی
کارشناس ارشد آبخیزداری دانشگاه تهران
هیراد عبقری
دانشجوی دوره دکتری آبخیزداری گرایش منابع آب دانشگاه تهران
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 :