تاثیر متوالی دبی روزانه و بررسی آن در پیش بینی جریان رودخانه با استفاده از برنامه نویسی ژنتیک و رگرسیون بردار پشتیبان

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

 تاثیر متوالی دبی روزانه و بررسی آن در پیش بینی جریان رودخانه با استفاده از برنامه نویسی ژنتیک و رگرسیون بردار پشتیبان دارای ۱۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تاثیر متوالی دبی روزانه و بررسی آن در پیش بینی جریان رودخانه با استفاده از برنامه نویسی ژنتیک و رگرسیون بردار پشتیبان  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 تاثیر متوالی دبی روزانه و بررسی آن در پیش بینی جریان رودخانه با استفاده از برنامه نویسی ژنتیک و رگرسیون بردار پشتیبان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تاثیر متوالی دبی روزانه و بررسی آن در پیش بینی جریان رودخانه با استفاده از برنامه نویسی ژنتیک و رگرسیون بردار پشتیبان :

تعداد صفحات :۱۸

چکیده مقاله:

پیش بینی دقیق جریان دبی یک عنصر ضروری برای هر دو مقدار آب و مدیریت کیفیت است. اندازه گیری مستقیم دبیرودخانه ها وقت گیر و پرهزینه است و گاهی اوقات در شرایط سیلابی امکان پذیر نمی باشد. اگر چه تحقیقات بسیاری درخصوص کاربرد روش های متکی بر شبکه های عصبی مصنوعی (ANN) و برتری دقت این روش ها بر روش های متداول آماری در دو دهه اخیر ارایه شده است ولی به دلایل مختلفی از جمله غیر صریح بودن این روش ها و پیچیدگی حاکم برانتخاب و معماری شبکه مناسب، استفاده از آنها در عمل به طور مناسب توسعه نیافته است. در این تحقیق ضمن معرفیروش های رگرسیون بردار پشتیبان (SVR) و برنامه نویسی ژنتیک (GP) به عنوان یک روش صریح برای پیش بینی دبی رودخانه ها، از این روش ها به منظور بررسی اثرات متوالی دبی روزانه در پیش بینی منحنی دبی رودخانه باهوکلات،استفاده شده و دقت نتایج حاصله با یکدیگر و با داده های واقعی مورد مقایسه قرار گرفته اند. در این پژوهش معیارهایارزیابی ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین برای مقایسه این روش ها به کار گرفته شده است. نتایج نشان داد که برنامه نویسی ژنتیک کارایی مناسب و دقت بالایی در مقایسه با روش رگرسیون بردار پشتیبان در پیش بینیدبی رودخانه ها دارد.