CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بررسی تأثیر قوانین مختلف یادگیری بر دقت مدلسازی شبکه عصبی پرسپترون چند لایه در پیشبینی بیلان آبی سد مخزنی قشلاق

اعتبار موردنیاز : ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۱۵۵۹ | نظرات: ۰
سال انتشار: ۱۳۸۸
کد COI مقاله: WATERSHED05_211
زبان مقاله: فارسی
حجم فایل: ۲۲۰.۸۱ کیلوبایت (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.
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 ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی تأثیر قوانین مختلف یادگیری بر دقت مدلسازی شبکه عصبی پرسپترون چند لایه در پیشبینی بیلان آبی سد مخزنی قشلاق

یوسف محمدی - کارشناس ارشد آبخیزداری مهندسین مشاور ژیناب غرب
  جلیل مبارکی - کارشناس ارشد آبخیزداری دانشگاه تهران
    هیراد عبقری - دانشجوی دوره دکتری آبخیزداری گرایش منابع آب دانشگاه تهران

چکیده مقاله:

مدل های هوشمند، پردازش کننده های موازی می باشند که روابط بین سیگنالهای ورودی را یادگرفته و با به روز رسانی ضرایب وزنی مناسبترین توپولوژی ممکن را برای شبیه سازی الگوها ارائه می نمایند . در مسائل مربوط به منابع آب انتخاب مدل هایی که تا حد امکان به واقعیت موجود حوزه آبخیز نزدیک باشد ، بسیار مشکل است . شبکههای عصبی مصنوعی از جمله مدل هایست که می تواند با دقت مناسبی واقعیات موجود پدیده های هیدرولوژیک را به تصویر بکشد و پیش بینی آن نزدیکتر به و اقعیت باشد اما دقت آن بستگی به نحوه استفاده از الگوریتمهای یادگیری و قوانین آموزش آن دارد . در این مقاله به منظور برآورد دقت پیش بینی دبی ورودی به سد قشلاق از 6 قانون یادگیری در شبکه پرسپترن چند لایه پیش خور با نامهای Ext ،Delta Rule ،Quick PropNormalized Cumulative Delta و Delta Bar Delta(DBD) ،Max Prop ،DBD استفاده گردید.

کلیدواژه‌ها:

سد قشلاق، شبکه پرسپترن، چندلایه پیش خور، Quick Prop، قانون یادگیری

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-WATERSHED05-WATERSHED05_211.html
کد COI مقاله: WATERSHED05_211

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:
محمدی, یوسف؛ جلیل مبارکی و هیراد عبقری، ۱۳۸۸، بررسی تأثیر قوانین مختلف یادگیری بر دقت مدلسازی شبکه عصبی پرسپترون چند لایه در پیشبینی بیلان آبی سد مخزنی قشلاق، پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران، کرج، انجمن آبخیزداری ایران، https://www.civilica.com/Paper-WATERSHED05-WATERSHED05_211.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: (محمدی, یوسف؛ جلیل مبارکی و هیراد عبقری، ۱۳۸۸)
برای بار دوم به بعد: (محمدی؛ مبارکی و عبقری، ۱۳۸۸)
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 :

  • عبقری، ساد، ۱۳۸۴. کاربردهای شبکه عصبی مصنوعی در مدیریت منابع ...
  • محمدی، یوسف، ۱۳۹، تخمین هوشمند دبی متوسط ماهیانه _ استفاده ...
  • _ و همکاران، ۱۳۸۳. پیش بینی دبی ماکزیم سیلاب رودخانه ... (مقاله کنفرانسی)
  • ه منهاج، م. ب. ۱۳۸۴. مبانی شبکه‌های عصبی (هوش محاسباتی). ...
  • کاربرد شبکه عصبی مصنوعی در پیش بینی دبی حداکثر رودخانه [مقاله کنفرانسی]
  • _ ۱۳۸۶. شبیه سازی بارش-رواناب با شبکه های عصبی تابع ... (مقاله کنفرانسی)
  • _ تووشی، س، ۱۳۸۴.پیش بینی جریان رودخانه _ اتفاده از ... [مقاله کنفرانسی]
  • Chen Y, Yang B and Jiwen D, 2006. Time Series ...
  • Coulibali, P. Anctil, F. and Bobee. _ Daily Reservoir Inflow ...
  • -Dulkashi S, Karunasinghe K and Shie-yui L, _ Chaotic tirme ...
  • Hsu, K.L., Gupta, H.V., and Sorooshian, S. 1995. Artificial neural ...
  • Jain A, and Srinivasulu S, 2006. Integrated approach to model ...
  • Lorrai, M. and H.M. Sechi. 1995. Neural nets for modeling ...
  • Minns, A.W. and M.J. Hal. 1996. Artificial neural network as ...
  • Nilsson P, Uvo CB, and Bentsen R, _ Monthly runoff ...
  • Rajurkar MP, Kothyari UC and Chaube UC, 2004. Modeling of ...
  • Salas, J.D., Markus, M., Tokar, A.S., _ Streamflow forecasting based ...
  • networks. In: Govindaraju, R.S., Ramachandra Roa, A. (Eds), artificial neural ...
  • Tokar, A.S. and A.Johnson. 1999. Rainfall -runoff modeling using artificial ...
  • runoff modeling using artificial neural network and م 21-Toker AS, ...
  • Woolhiser, 1996. Search for physically based runoff mode! A hydrologic ...
  • Zhang, B., Govindaruja, R.S., _ Prediction of watershed runoff using ...
  • 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.