CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی چند ایستگاهه نیترات با بهره گیری از ابزار هوش مصنوعی و محاسبات نرم

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۳ | تعداد نمایش خلاصه: ۳۱ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: JR_CEEJ-47-89_003
زبان مقاله: فارسی
حجم فایل: ۱۰۰۴.۵۴ کیلوبایت (فایل این مقاله در ۱۳ 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 ۱۳ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی چند ایستگاهه نیترات با بهره گیری از ابزار هوش مصنوعی و محاسبات نرم

  الناز شرقی - استادیار دانشکده مهندسی عمران، دانشگاه تبریز
    وحید نورانی - استاد دانشکده مهندسی عمران، دانشگاه تبریز
  غلامرضا عندلیب - دانشجوی دکتری مهندسی عمران- آب و سازههای هیدرولیکی، دانشکده مهندسی عمران، دانشگاه تبریز

چکیده مقاله:

در این مقاله مدلسازی چند ایستگاهه رواناب- نیترات در حوضه آبریز Little River Watershed (LRW)، با استفاده از تبدیل موجک و نقشه های خود سازمانده و مدلهای هوش مصنوعی انجام گردید. به طوری که سریهای زمانی رواناب- نیترات توسط تبدیل موجک تجزیه گشته و سپس زیرسریهای تجزیه شده توسط نقشه های خود سازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی نیترات خروجی حوضه آبریز LRW به کار گرفته شد. مدلسازی چند ایستگاهه نیترات بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، نقشه های خود سازمانده و اطلاعات مشترک توانایی پیش بینی نیترات چند ایستگاهه را نسبت به مدلهای هوش مصنوعی که از خاصیت مارکف بهره میبرند تا حد قابل قبولی بهبود میبخشد. به طور کلی، استفاده از خاصیت فصلیبودن پدیده ها به همراه کاهش ابعاد ورودیها، میتواند به مدلهای هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.

کلیدواژه‌ها:

اطلاعات مشترک، تبدیل موجک، نقشه های خودسازمانده، هوش مصنوعی، حوضه آبریز .LRW

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-JR_CEEJ-JR_CEEJ-47-89_003.html
کد COI مقاله: JR_CEEJ-47-89_003

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:
شرقی, الناز؛ وحید نورانی و غلامرضا عندلیب، ۱۳۹۶، پیش بینی چند ایستگاهه نیترات با بهره گیری از ابزار هوش مصنوعی و محاسبات نرم، فصلنامه مهندسی عمران و محیط زیست دانشگاه تبریز 47 (89)، https://www.civilica.com/Paper-JR_CEEJ-JR_CEEJ-47-89_003.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: (شرقی, الناز؛ وحید نورانی و غلامرضا عندلیب، ۱۳۹۶)
برای بار دوم به بعد: (شرقی؛ نورانی و عندلیب، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۶۲۳۲
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 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.