CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۵۲۶ | نظرات: ۰
سال انتشار: ۱۳۹۳
کد COI مقاله: COMPUTER01_154
زبان مقاله: فارسی
حجم فایل: ۷۸۷.۲۷ کیلوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی

  سمیه عیال واری - دانشجوی کارشناسی ارشد دانشگاه آزاد بابل
  زهره جهانی - دانشجوری کارشناسی ارشد دانشگاه آزاد بابل

چکیده مقاله:

پیش بینی تشعشع خورشیدی برای کاربری های بسیاری در تحقیقات مربوط به انرژی تجدیدپذیر مهم می باشد. تشعشع خورشیدی با استفاده از مدل های پیش بینی تشعشع خورشیدی که شامل مدل های سنتی و مدل مبتنی بر شبکه عصبی مصنوعی Atrificial Neural N etwork (ANN) می باشد، پیش بینی می گردد. در اینجا متغیرهای هواشناسی و جغرافیایی وجود دارند که بر تشعشع خورشیدی تاثیر می گذارند، لذا شناسایی متغیرهای مناسب برای پیش بینی صحیح تشعشع خورشیدی امری مهم در حیطه تحقیقات به حساب می آید. نرم افزار محیط وایکاتو برای تجزیه و تحلیل دانش Waikato Environment for Knowledge Analysis (WEKA) با این هدف در 11 نقطه در گیلان با شرایط آب و هوایی مختلف به منظور یافتن موثرترین پارامترهای ورودی برای پیش بینی تشعشع خورشیدی در مدل های ANN استفاده گردید. پارامترهای ورودی عبارتند از عرض جغرافیایی، طول جغرافیایی، حداکثر سرعت وزش باد، متوسط دمای هوا در هر ماه، معدل حداکثر دمای هوا، معدل حداقل دمای هوا، ساعات آفتابی، بارندگی ماهیانه، حداکثر بارندگی در یک روز برای شهرهای مختلف گیلان. به منظور چک کردن صحت پیش بینی با استفاده از پارامترهای شناخته شده، سه مدل شبکه عصبی مصنوعی ANN توسعه یافته اند (ANN-1, ANN-2 و ANN-3). حداکثر MAPE برای ANN-2, ANN-1 و ANN-3 به ترتیب برابر با 22.15% ، 20.29% و 22.14% می باشند که نشان از 186% بهبود صحت در پیش بنی مدل ANN-2 دارند.

کلیدواژه‌ها:

شبکه عصبی، داده کاوی، WEKA

کد مقاله/لینک ثابت به این مقاله

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://www.civilica.com/Paper-COMPUTER01-COMPUTER01_154.html
کد COI مقاله: COMPUTER01_154

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:
عیال واری, سمیه و زهره جهانی، ۱۳۹۳، انتخاب مرتبط ترین پارامترهای ورودی با استفاده از WEKA برای مدل های پیش بینی تشعشع خورشیدی مبتنی بر شبکه های عصبی مصنوعی، همایش ملی علوم و مهندسی کامپیوتر، مشهد، موسسه آموزش عالی خاوران، https://www.civilica.com/Paper-COMPUTER01-COMPUTER01_154.html

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: (عیال واری, سمیه و زهره جهانی، ۱۳۹۳)
برای بار دوم به بعد: (عیال واری و جهانی، ۱۳۹۳)
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 :

  • _ Bakirci K. Models of solar radiation with hours of ...
  • Khatib T, Mohamed A, Sopian K. A review of solar ...
  • Rehman S, Mohandes M. Estimation of diffuse fraction of global ...
  • Azeez MAA. Artificial neural network estimation of global solar radiation ...
  • I5] Lin a res-Rodriguez A, Ruiz-Arias JA, Pozo-Vazquez D, T ...
  • Hall M, Frank E, Holmes G, Pfahringer _ Reutemann P, ...
  • I7] Witten IH, Frank E, Hall MA. Data mining: practical ...
  • Chow SKH, Lee EWM, Li DHW. Short-term prediction of photovoltaic ...
  • Frederick M Neuroshell 2 Manual, Ward Systems Group Inc., 1996. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۲۲۶۳
    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.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    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.