مقاله مقایسه توابع انتقالی شبکه عصبی مصنوعی و رگرسیونی در تخمین هدایت آبی اشباع

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

  مقاله مقایسه توابع انتقالی شبکه عصبی مصنوعی و رگرسیونی در تخمین هدایت آبی اشباع دارای ۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه توابع انتقالی شبکه عصبی مصنوعی و رگرسیونی در تخمین هدایت آبی اشباع  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 مقایسه توابع انتقالی شبکه عصبی مصنوعی و رگرسیونی در تخمین هدایت آبی اشباع،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه توابع انتقالی شبکه عصبی مصنوعی و رگرسیونی در تخمین هدایت آبی اشباع :

تعداد صفحات:۳

چکیده:

هدایت آبی اشباع از مهمترین ویژگی فیزیکی خاک است که در طراحی و امکان پذیر بودن فنی و اقتصادی پروژه های زهکشی زیرزمینی نقش عمده ای دارد . لیکن، اندازه گیری مستقیم این ویژگی چه به صورت صحرایی و چه در آزمایشگاه بسیار وقت گیر و پرهزینه می باشد . همچنین، به دلیل تغییرات زیاد زمانی – مکانی خاک، اندازه گیری های نقطه ای نمی توانند نماینده واقعی این ویژگی خاک باشند، مگر آنکه تعدادی بسیار زیاد نمونه برداری صورت پذیرد . به همین منظور تلاشهایی چند صورت گرفته تا با استفاده از ویژگی های زودیافت خاک بتوان این ویژگی را با دقتی قابل قبول تخمین زد . توابع انتقالی یکی از روشهای غیرمستقیم بوده که قادر است ویژگی های دیریافت خاک را از ویژگی های زودیافت آن برآورد نماید . شبکه های عصبی مصنوعی و آنالیز رگرسیونی دو روش ایجاد توابع انتقالی می باشند . در این پژوهش، از ساختار شبکه عصبی پرسپترون با الگوریتم آموزشی مارکوآت لورنبرگ و آنالیز رگرسیونی استفاده شد تا پس از حساسیت سنجی، هدایت آبی اشباع از پارامترهای موثر زودیافت خاک همچون جرم ویژه ظاهری، تخلخل مؤثر، میانگین هندسی قطر ذرات و انحراف معیار آنها برآورد شود . نتایج نشان داد که نمون های عصبی ایجاد
شده قادرند هدایت آبی اشباع را با دقت بالا تری در مقایسه با معادلات رگرسیونی برآورد نمایند . همچنین، هوشمند بودن نحوه تجزیه وتحلیل داده ها و عدم نیاز به آزمون های آماری را می توان از دیگر برتری های شبکه عصبی به شمار آورد