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

مقایسه عملکرد شبکه های عصبی MLP و ELMAN با نوع جدید مدل رگرسیون در پیش بینی سیل حوضه های فاقد امار

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۲۸۶۶ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: NCCE04_740
زبان مقاله: فارسی
حجم فایل: ۲۰۰.۴۷ کلیوبایت (فایل این مقاله در ۸ 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 ۸ 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 عملکرد شبکه های عصبی MLP و ELMAN با نوع جدید مدل رگرسیون در پیش بینی سیل حوضه های فاقد امار

  مهسا حسنپورکاشانی - دانشجوی کارشناسی ارشد سازه های ابی، دانشگاه ارومیه
  مجید منتصری - دکترای مهندسی و مدیریت منابع آب، دانشگاه ارومیه
  محمدعلی لطف الهی یقین - دکترای عمران - سازه های دریایی، دانشگاه تبریز
  امین حسنپورکاشانی - دانشجوی کارشناسی نرم افزار کامپیوتر، دانشگاه نبی اکرم تبریز

چکیده مقاله:

شبکه های عصبی مصنوعی (ANNs) در زمینه مدلسازی های هیدرولوژیکی بطور وسیع مورد استفاده قرار گرفته اند. با وجود این، توجه کمتری به استفاده از این ابزار جهت برآورد سیل در حوضه های فاقد امار که یکی از پیچیده ترین مسائل هیدرولوژیستها است، شده است. در این مقاله یک مدل رگرسیون جدید جهت پیش بینی سیل با دوره های بازگشت مختلف حوضه جنوب دریاچه ارومیه پیشنهاد میشود، سپس با شبکه های عصبی پیشخور و پسخور، شبکه MLP وشبکه Elman ترکیب می گردد. بدین منظور ابتدا شبکه ها عصبی با استفاده از داده های فیزیوگرافی و اقلیمی منتخب مدل رگرسیون غیر خطی در محیط نرم افزار MATLAB 7.0.4 آموزش دیده و سپس بهترین ساختار شبکه، جهت برآورد سیلابهای با دوره بازگشت مختلف حوضه های مشابه فاقد امار بر اساس ضریب همبستگی بین دبی های مشاهداتی و محاسباتی انتخاب شده است. برای نخستین بار در این تحقیق، به منظور آموزش بهتر هر دو مدل رگرسیون و شبکه های عصبی از متغیر زمان بازگشت نیز بعنوان متغیر ورودی مدل استفاده گردیده است. نتایج بدست آمده توانایی مدل تلفیقی و ANN را در پیش بینی سیل با دوره های بازگشت مختلف با کمترین داده ها و نیز تاثیر انتخاب نوع شبکه را در دقت پیش بینی ثابت نموده است.

کلیدواژه‌ها:

شبکه عصبی MLP ، شبکه عصبی Elman ، نوع جدید مدل رگرسیون غیر خطی ، پیش بینی سیل ، حوضه جنوب دریاچه ارومیه

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-NCCE04-NCCE04_740.html
کد COI مقاله: NCCE04_740

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:
حسنپورکاشانی, مهسا؛ مجید منتصری؛ محمدعلی لطف الهی یقین و امین حسنپورکاشانی، ۱۳۸۷، مقایسه عملکرد شبکه های عصبی MLP و ELMAN با نوع جدید مدل رگرسیون در پیش بینی سیل حوضه های فاقد امار، چهارمین کنگره ملی مهندسی عمران، تهران، دانشگاه تهران، https://www.civilica.com/Paper-NCCE04-NCCE04_740.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: (حسنپورکاشانی, مهسا؛ مجید منتصری؛ محمدعلی لطف الهی یقین و امین حسنپورکاشانی، ۱۳۸۷)
برای بار دوم به بعد: (حسنپورکاشانی؛ منتصری؛ لطف الهی یقین و حسنپورکاشانی، ۱۳۸۷)
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 :

  • Lekkas, D.F., Onof, C., Lee, M.J. and Baltas, E.A. (2004) ...
  • WMO. (1992) Simulated real-time interc omparison of hydrological models, In: ...
  • رستمی، س. (۱۳۸۲) مدل بندی منطقه ای سیلاب حوضه جنوب ...
  • Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wilby, R.L. (2006) ...
  • قربانی، م. و همکاران. (۱۳۸۳) بررسی ساختار و کارائی شبکه ... (مقاله ژورنالی)
  • Govindaraju, R.S. (2000) Artificial neural networks in hydrology.II: hydrologic applications. ...
  • http ://wiki.tcl.tk/1 5206. ...
  • Demuth, H. and Beale, M. (2005) Neural Network Toolbox User's ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۳۳۲۶
    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.