CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Depth estimation of subsurface cavities via Multi Layer Perceptron Neural Network from microgravity data

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۲۵۹۲ | نظرات: ۰
سال انتشار: ۱۳۸۴
کد COI مقاله: GCI12_008
زبان مقاله: انگلیسی
حجم فایل: ۳۵۸.۴۴ کلیوبایت (فایل این مقاله در ۷ 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. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Depth estimation of subsurface cavities via Multi Layer Perceptron Neural Network from microgravity data

Alireza Hajian - Institute of geophysics, Tehran University
V.E.Ardestani - Head of gravity, Institute of geophysics, Tehran University
Caro Lucas - Head of control, Electrical Engineering Department, Tehran university
Mohaddeseh Hajian - Geology Department,Isfahan University

چکیده مقاله:

We aim to estimate the depth of subsurface cavities from microgravity data through a Multi Layer Perceptron(MLP) neural network.Infact, this method is an intelligent way to interpret microgravity data and gain an estimation of depth. The MLP neural network was trained for two main models of cavities: sphere and cylinder in a domain of radius and depth. We tested different MLP’s with different number of neurons in the hidden layer and obtained the optimum value for number of neurons in the hidden layer. Then it was tested in present of ٣٠٪ noise(S/N=.٣), and also tested for real data. It presented good results for depth estimation of subsurface cavitie

کلیدواژه‌ها:

Microgravity, depth estimation, subsurface cavities, artificial neural networks, Multi Layer Perceptron

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-GCI12-GCI12_008.html
کد COI مقاله: GCI12_008

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:
Hajian, Alireza; V.E.Ardestani; Caro Lucas & Mohaddeseh Hajian, ۱۳۸۴, Depth estimation of subsurface cavities via Multi Layer Perceptron Neural Network from microgravity data, دوازدهمین کنفرانس ژئوفیزیک, تهران, سازمان زمین شناسی, https://www.civilica.com/Paper-GCI12-GCI12_008.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: (Hajian, Alireza; V.E.Ardestani; Caro Lucas & Mohaddeseh Hajian, ۱۳۸۴)
برای بار دوم به بعد: (Hajian; V.E.Ardestani; Caro Lucas & Hajian, ۱۳۸۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه 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.