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

پیش بینی ماهانه مصرف نفت سفید کل کشور با استفاده ازشبکة عصبی بازگشتی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۱۰۷۶ | نظرات: ۰
سرفصل ارائه مقاله: مطالعات موردی
سال انتشار: ۱۳۸۴
نوع ارائه: شفاهی
کد COI مقاله: IIEC04_043
زبان مقاله: فارسی
حجم فایل: ۱۹۸.۴۶ کلیوبایت (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. 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 ۱۱ 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 پیش بینی ماهانه مصرف نفت سفید کل کشور با استفاده ازشبکة عصبی بازگشتی

  احمد کوچک زاده - دانشجوی دکتری، دانشگاه تربیت مدرس
  محمدرضا امین ناصری - استادیار دانشگاه تربیت مدرس

چکیده مقاله:

با توجه به نقش نفت سفید در تامین انرژی گرمایشی بخشهای عمدهای از کشور که هنوز امکان گازرسانی به آنجا وجود نداشته، پیش بینی مصرف نفت سفید جهت انجام برنامهریزیهای آتی از جمله تخصیص بهینه آن در کل کشور امری با اهمیت مینماید . بررسی مصرف نفت سفید در کل کشور در طی سالهای گذشته نشان دهنده آنست که روند مصرف آن از یک الگوی چرخشی تبعیت میکند
که ارتباط مستقیمی با برودت هوا و فصل های سال دارد . در پیشبینی کوتاه مدت با الگوهای چرخشی، روشهای زیادی مبتنی بر سریهای زمانی بسط و توسعه داده شدهاند اما مدلهای یاد شده به طور عمده روندهای خطی در سریهای زمانی را کشف میکنند و در حالی که در دنیای واقعی اغلب روندها غیرخطی میباشند . ًاز جمله ابزاری که اخیرا کانون توجه بسیاری محققین قرار گرفته، شبکه های عصبی مصنوعی میباشد که از طریق آموزش، توانایی یادگیری از تجارب گذشته و بهبود سطح کارایی خود را دارند . به همین جهت در این تحقیق با استفاده از یادگیری » هدایت شده « یک مدل شبکة عصبی برای » پیش بینی ماهانه مصرف نفت سفید « ، توسعه داده شده است و در ذیل این مدل برای شناخت عوامل موثر بر عملکرد شبکه عصبی، از طراحی آزمایشات بهره گیری شده است .

کلیدواژه‌ها:

پیش بینی مصرف نفتسفید، شبکههای عصبی بازگشتی، طراحی آزمایشات

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-IIEC04-IIEC04_043.html
کد COI مقاله: IIEC04_043

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:
کوچک زاده, احمد و محمدرضا امین ناصری، ۱۳۸۴، پیش بینی ماهانه مصرف نفت سفید کل کشور با استفاده ازشبکة عصبی بازگشتی، چهارمین کنفرانس ملی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه تربیت مدرس، https://www.civilica.com/Paper-IIEC04-IIEC04_043.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: (کوچک زاده, احمد و محمدرضا امین ناصری، ۱۳۸۴)
برای بار دوم به بعد: (کوچک زاده و امین ناصری، ۱۳۸۴)
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 :

  • Widrow, B., Rumelhart, D., Neural network: Application in industry, business ...
  • Makridakis, S., Anderson, A., & Carbone, R., The accuracy of ...
  • Kermanshahi, B., Recurrent neural network for forecasting next 10 years ...
  • Kuan, C. L., Forecasting exchange rates using feed forward and ...
  • Connor, J. T., Martin, R. D., & Atlas, L.E. , ...
  • Mediros, M. C. P., C.E., What are the effects of ...
  • Parrlos, A. G., Rais, O.T. , & Atiya, A.F. , ...
  • Husken, M. S., Recurrent neural network for time series classification, ...
  • Vermark, J. B., Recurrent neural network for short term load ...
  • Jebaraj, S., Iniyan, S., A Review of Energy Models, Renewable ...
  • Box, G. E., Jenkins, G. M., Time Series Analysis: Forecasting ...
  • Zhang, G. P., An investigation of neural network for linear ...
  • Granger, C. W. J., Strategies for modeling nonlinear time-series relationship, ...
  • Gorr, L., Research prospective On neural network forecasting, International Journal ...
  • 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: ۳۲۳۹۶
    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.