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

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.

کلیدواژه ها:

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