مقاله کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی باران، دما، دبی به صورت غیر نرمال مطالعه موردی: حوضه بوانات ایستگاه مزایجان در استان فارس

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی باران، دما، دبی به صورت غیر نرمال مطالعه موردی: حوضه بوانات ایستگاه مزایجان در استان فارس دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی باران، دما، دبی به صورت غیر نرمال مطالعه موردی: حوضه بوانات ایستگاه مزایجان در استان فارس  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی باران، دما، دبی به صورت غیر نرمال مطالعه موردی: حوضه بوانات ایستگاه مزایجان در استان فارس،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله کاربرد شبکه های عصبی در پیش بینی آبدهی حوضه های فاقد آمار بر اساس داده های هیدرولوژی و هواشناسی باران، دما، دبی به صورت غیر نرمال مطالعه موردی: حوضه بوانات ایستگاه مزایجان در استان فارس :

تعداد صفحات:۱۰
چکیده:
در این تحقیق نقش پارامترهایی از جمله دبی ، میزان بارندگی و درجه حرارت در ماه های گذشته و جاری برروی دبی ماهیانه رودخانه بوانات مورد بررسی قرار گرفته است. هدف اصلی در این تحقیق ، استفاده از روش شبکه های عصبی مصنوعی جهت بررسی تاثیر پارامترهای مختلف برروی دبی هرماه بوده است . برای مدل سازی اطلاعات از نرم افزارQnet2000که بر اساس روش پیشخور کار می کند استفاده شده است. همچنین در مدلسازی از دو تابع تحریک سیگموئید و گوسین استفاده می شود. برای پیش بینی جریان خروجی حوضه بوانات ، داده های هیدرومتری ایستگاه مزایجان و هواشناسی به صورت غیر نرمال خام در مقیاس زمانی ماهانه و در بازه زمانی ۱۳۶۱-۱۳۸۹ استفاده شده است که ۸۰ درصد آن برای آموزش و ۲۰ درصد باقیمانده برای آزمودن مدلها بکار رفته است. بر اساس نتایج حاصل مشخص می شود تعداد بهینه نرون ها در لایه مخفی در بهترین ساختار شامل ورودی های دبی ماه قبل و دو ماه قبل،بارندگی ماه جاری و ماه قبل،درجه حرارت ماه جاری برای حالتی که از تابع سیگموئید استفاده می شود ۳ و در حالتی که از تابع گوسین استفاده می شود شامل ورودی های دبی ماه قبل،دبی ۲ ماه قبل ،دبی ۳ ماه قبل ،دبی ۴ ماه قبل ،بارندگی ماه جاری و ماه قبل ۱۹ می باشد. مقایسه ضرایب همبستگی و خطاهای داده های موجود در نتایج حاصل از تابع گوسین و تابع سیگموئید نشان دهنده برتری مدلهای با تابع تحریک گوسین می باشد