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

مقایسه عملکرد سه الگوریتم آموزش مومنتم، گرادیان مزدوج و لونبرگ در ساختار ANN برای پیش بینی رواناب روزانه

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۳۲۲۱ | نظرات: ۰
سرفصل ارائه مقاله: تغییر اقلیم، سیلاب و خشکسالی
سال انتشار: ۱۳۸۵
کد COI مقاله: WRM02_208
زبان مقاله: فارسی
حجم فایل: ۲۸۰.۱۷ 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 سه الگوریتم آموزش مومنتم، گرادیان مزدوج و لونبرگ در ساختار ANN برای پیش بینی رواناب روزانه

  مرتضی ایزی - دانشجوی کارشناسی ارشد آب، دانشگاه صنعتی اصفهان
  کیوان اصغری (شناسه پژوهشگر - Researcher ID: ۱۲۶)
استادیار دانشکده عمران، دانشگاه صنعتی اصفهان

چکیده مقاله:

امروزه یکی از روش های متداول که در امر پیش بینی سیلاب، مورد استفاده قرار می گیرد، روش شبکه عصبی مصنوعی است، شبکه عصبی مصنوعی یکی از موفق ترین تکنیک های یادگیری خودکار با ساختار ریاضی است که توانایی تعریف روابط پیچیده غیر خطی بین ورودی و خروجی بدون تلاش در جهت درک طبیعت پدیده را داراست. همچنین این روش در مسائلی که دارای الگوریتم مشخصی برای حل آنها وجود ندارد و یا در مواقعی که روشهای متعارف دارای راه حلی بسیار طولانی و زمان بر هستند، کاربرد دارد. بدلیل اینکه شبکه عصبی مصنوعی، در اجزاء مختلف ساختار خود از الگوریتم ها و توابع مختلفی سود می جوید، مقایسه بین کارکرد الگوریتم ها امری لازم و ضروری می باشد. الگوریتم مومنتم جزء الگوریتم های روش های کاهش گرادیان و دو الگوریتم دیگر جزء الگوریتم های روش های مرتبه دوم می باشند.
هدف از تحقیق حاضر، پیش بینی جریان روزانه رودخانه بختیاری به کمک شبکه عصبی مصنوعی و استفاده از سه الگوریتم آموزش نامبرده می باشد. بدین منظور برای پیش بینی جریان روزانه رودخانه در ایستگاهی واقع در پایین دست حوضه، از داده های دما، تبخیر و بارندگی ایستگاه های بالادست منطقه و بارندگی و جریان روزهای قبل ایستگاه پایین دست استفاده شده است، و به مقایسه نتایج سه الگوریتم نامبرده می پردازیم.

کلیدواژه‌ها:

شبکه عصبی مصنوعی ، الگوریتم آموزش ، مومنتم ، گرادیان مزدوج ، لونبرگ

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-WRM02-WRM02_208.html
کد COI مقاله: WRM02_208

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:
ایزی, مرتضی و کیوان اصغری، ۱۳۸۵، مقایسه عملکرد سه الگوریتم آموزش مومنتم، گرادیان مزدوج و لونبرگ در ساختار ANN برای پیش بینی رواناب روزانه، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران، https://www.civilica.com/Paper-WRM02-WRM02_208.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: (ایزی, مرتضی و کیوان اصغری، ۱۳۸۵)
برای بار دوم به بعد: (ایزی و اصغری، ۱۳۸۵)
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 :

  • البرزی، م، آشنایی با شبکه های عصبی، موسسه انتشارات علمی ...
  • Tan Dan, N., Phien, H. N. and Gupta, A. D., ...
  • Drecourt, J. PH., *Application of neural networks and genetic programming ...
  • Klerfors, D. and Huston, T. L., Artificial neural networks, Saint ...
  • Kohonen, T., Self- Organization and associative nemory, 3rd Ed, New ...
  • Hsu, K. L., Gupta, H. V. and Sorooshian, S., ،0Artificial ...
  • Nor Irwan, A. N., Sobri, H. and Kassim, A. H. ...
  • Kisi, O., ،River flow modeling using artificial neural networks?, Journal ...
  • Zealand, C.M. and Burn, D.H., «Short term stream flow forecasting ...
  • Tokar, A. S. and Markus, M., ،، Pre cip itation-Runoff ...
  • Dibike, Y. B. and Solomatine, D. P., ،River flow forecasting ...
  • کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱ مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۰۲۶۸
    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.