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

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

اعتبار موردنیاز: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۴۵۹۷ | نظرات: ۰
سال انتشار: ۱۳۸۵
نوع ارائه: پوستر
کد COI مقاله: IDNC01_240
زبان مقاله: فارسی
حجم فایل: ۱۶۱.۰۲ کلیوبایت (فایل این مقاله در ۹ 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 ۹ 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 مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیش بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی

  ابوالفضل اکبرپور - عضو هیات علمی دانشگاه بیرجند – گروه مهندسی آب
  خسرو حامدافتخار - دانشجو کارشناسی عمران - سد و شبکه دانشگاه بیرجند

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.

کلیدواژه‌ها:

انتقال رسوب, شبکه عصبی مصنوعی, مدل رگرسیون

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-IDNC01-IDNC01_240.html
کد COI مقاله: IDNC01_240

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:
اکبرپور, ابوالفضل و خسرو حامدافتخار، ۱۳۸۵، مقایسه مدلهای شبکه عصبی مصنوعی و رگرسیون در پیش بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی، اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی، اهواز، دانشگاه چمران، https://www.civilica.com/Paper-IDNC01-IDNC01_240.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: (اکبرپور, ابوالفضل و خسرو حامدافتخار، ۱۳۸۵)
برای بار دوم به بعد: (اکبرپور و حامدافتخار، ۱۳۸۵)
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 :

  • سازمان آب منطقه‌ای آذربایجان شرقی و اردبیل. ۱۳۸۱. گزارش‌های آماری ...
  • سازمان آب منطقه‌ای آذربایجان شرقی و اردبیل. ۱۳۶۸. گزارش مطالعات ...
  • مختاری، م. ۱۳۸۰. کاربردهای Matlab و Simulink در مهندسی. چاپ ...
  • منهاج، م.ب. ۱۳۸۱. مبانی شبکه‌های عصبی مصنوعی (هوش محاسباتی). جلد ...
  • نعمت الهی، ن. ۱۳۸۲. 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 ...
  • کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱ مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۷۴۱۲
    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.