مدلسازی برآورد تبخیر با استفاده از روش شبکه عصبی BFGS و مدل رگرسیون خطی محلی (LLR )

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 965

فایل این مقاله در 11 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:

RWD03_051

تاریخ نمایه سازی: 3 آذر 1392

چکیده مقاله:

تبخیر،همچون بخش مهمی از چرخه هیدرولوژی،نقش کلیدی در توسعه و مدیریت منابع در منطق خشک و نیمه خشک بازی می کند.اگر چه روش های تجربی زیادی وجود دارد با این حال به علت پیچیدگی طبیعت فرآیند تبخیر و داده های موجود،انجام آنها چندان رضایت بخش نیست.در این تحقیق یک مدل براورد تبخیر بر اساس روش شبکه عصبی(BFGSNN) و مدل خطی محلی(LLR) ایجاد شد،BFGSNN با ضریب همبستگی معادل0/723 و روش LLR با ضریب همبستگی برابر 0/562 ) اگر چه این دو روش به نظر قوی است،انتخاب داده های ورودی کاملا سخت و پیچیده می باشد.در این تحقیق از الگوریتم (GA) برای انتخاب بهترین ترکیب ورودی استفاده می شود.بسیاری از مطالعات به نتایج حاصل از این بخش نیازمندند.در این تحقیق از آزمون گاما (GT)،برای انتخاب داده های آموزشی استفاده می شود،و همچنین این روش مهمترین عوامل موثر در تبخیر را تعیین میکند.

کلیدواژه ها:

تبخیر ، شبکه عصبی ، مدل رگرسون خطی محلی ، آزمون گاما

نویسندگان

علی درخشان هوره

دانشجوی کارشناسی ارشد منابع طبیعی دانشگاه شهرکرد

کامران فلاح پور

دانشجوی کارشناسی ارشد منابع طبیعی دانشگاه شهرکرد

فرامرز مردانی

دانشجوی کارشناسی ارشد منابع طبیعی دانشگاه شهرکرد

پژمان طهماسبی

استادیار دانشکده منابع طبیعی دانشگاه شهرکرد

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 :
  • پیری، جمشید.، 1386. شبیه سازی مدل تبخیر برای چاه نیمه ...
  • طراکار، م.، 1384. پیش‌بینی قیمت برخی محصولات زراعی در استان ...
  • غفاری، م.، 1387. برآورد تبخیر از مخازن چاه نیمه زابل ...
  • کوچک‌زاده .، و بهمنی، ع.، 1384. ارزیابی شبکه‌های عصبی مصنوعی ...
  • مشیری، م.، صمدزادگان، ف.، عباسپور، _ و سعیدی، س.، 1385. ...
  • منهاج، .، 1384. مبانی شبکه‌های عصبی. چاپ سوم. مرکز نشر ...
  • منهاج، .، 1377. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر ...
  • هاشمی نیا، سید مجتبی.، (ترجمه). 1378. تبخیر، تبخیر- تعرق وداده‌های ...
  • Hsu, K., Gupta, H., and Sorooshian, S., 1995. Artificial Neural ...
  • Kisi, O., 2006. Daily pan evaporation modeling using a neuro-fuzzy ...
  • Koncar, N., 1997. Optimisation methodologies for direct inverse neurocontrol. PhD ...
  • Metin Ertunc, H., and Hosoz, M., 2008. Comparative analysis of ...
  • Mo ghaddamnia A., Ghafari Gousheh M., Piri J., Amin S., ...
  • Molina.M, J.M., Martnez.A, V., Gonzalez -Real, M.M., Baille, A., 2006. ...
  • Stefansson, A., Koncar, N., and Jones, A.J., 1997.A note on ...
  • White, H., 1988. Economic prediction using Neural Networks: The case ...
  • Wu, S., 1995. Artificial Neural Networks in Forecasting, Neural Networks ...
  • نمایش کامل مراجع