مقایسه مدلهای کلاسیک سری زمانی و هوش مصنوعی در تعیین سطح تراز آب زیرزمینی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,725

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCE06_0809

تاریخ نمایه سازی: 28 مرداد 1390

چکیده مقاله:

تعیین مدل بهینه جهت پیش بینی تراز آب زیر زمینی یکی از مسائل بحث برانگیزی است که محققین مختلف با آن مواجه می باشند. در این تحقیق از دو روش هوش مصنوعی وآنالیزکلاسیک سری های زمانی برای تعیین تراز آب زیر زمینی در منطقهUnion County در ایالت نیوجرسی آمریکا استفاده شده است. در پیش بینی براساس روش شبکه عصبی، دوره تاثیر 80 روزه به عنوان دوره برتر با استفاده از سعی وخطا و معماری شبکه به صورت روش پیشخور پس انتشاری با تعداد 20 نورون مخفی می باشد. در روش آنالیز سری زمانی با استفاده از مشاهدات و از بین مدل های کلاسیک ، مدلARMA مدل مناسب جهت برازش بر مبنای پیش بینی ها با سطح اعتماد 95 % انتخاب گردید.

کلیدواژه ها:

مدل ARIMA ، شبکه عصبی ، پیش بینی تراز آب زیر زمینی ، آنالیزکلاسیک سری زمانی

نویسندگان

زهرا قدم پور

عضو هیات علمی دانشگاه آزاد اسلامی واحد استهبان

مهشید شقاقیان

استاد دانشگاه آزاد اسلامی واحد علوم و تحقیقات فارس

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 :
  • و 7 اردیبهشت 1390، دنشگاه سمنان، سمنان، ایران ...
  • Knotters, M and Van Walsum, P. E. V., (1997), "Estimating ...
  • Van Geer, F. C. and Zuur, A. F., (1997), _ ...
  • Bierkens, . F. P., (1998), "Modeling water table fluctuations by ...
  • Knotters, M. and Bierkens, M. F. P., (2000), "Physical basis ...
  • I. N. Daliakopoulos, P. Coulibaly, and I. K. Tsanis, (2005) ...
  • Dillip K.G., Sudhansu S. P., Prakash C. S., (2010) _ ...
  • H. Wong, W. C. Ip, R. Q. Zhang, and J. ...
  • Y. M. Kuo, C. W. Liu, and K. H. Lin, ...
  • M. Aqil, I. Kita, A. Yano, and S. Nishiyama, (2007) ...
  • Rizzo, D. M. and Dougherty, D. E., (1994), _ Characteriz ...
  • Ranjithan, R. S., Eheart, D. E., and Garrett, J. H., ...
  • Morshed, J. and Kaluarachchi, J. J., (1998), :Parameter estimation using ...
  • neural network modeling of water Artificial؛ه 13- Coulibaly, P., Anctil, ...
  • Z.P. Yang, W.X. Lu , Y.Q. Long, P. Li, (2009), ...
  • Arena, C., Cannarozzo, M., Mazzola, M.R. (2006), "Multi-year drought frequency ...
  • Hipel, K.W., Mcleod, A.I., (1994) :Time series modelling of water ...
  • Bierkens, M.F.P., Knotters, M., van Geer, F.C., (1 999) "Calibration ...
  • Ahn, H., (2000), "Modeling of groundwater heads based on second-order ...
  • Durdu, O. F., (2010), _ hybrid neural network and ARMA ...
  • http : //waterdata .uSgs .gov/nwis/dv/? site_no=404 106074 1 7 1 ...
  • Rumelhart, D. E., Hinton, G. E., and Williams, R. J., ...
  • Haykin, S. (1999) :Neural Network", Prentice Hall, Inc. ...
  • Brockwell, P. J., Davis, R. A., (2002), :Introduction to time ...
  • Chatfield, C., (1996), "The analysis of time series An introduction", ...
  • Fausett, L. (1995)، FFundamentas of neural networks", Prentice Hal ...
  • Haykin, S. (1999) :Neural Network", Prentice Hall, Inc. ...
  • نمایش کامل مراجع