دانش رسان |
مرکز علم و دانش کشور مقاله تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک 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 تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک :
تعداد صفحات :۱۷
برآورد جریان حوضه آبریز با توجه به کاربرد گسترده آن در علوم مرتبط با صنعت آب، از دیرباز مورد توجه پژوهشگران بوده است. ارائه الگوهای نو و به‌کارگیری تکنیک‌های پیشرفته می‌تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیرخطی شود. در این تحقیق برای پیش‌بینی جریان ماهانه، از شبکه عصبی پیشخور استفاده گردیده است. به علت تعداد زیاد متغیرهای مورد استفاده در این تحقیق برای پیش‌بینی جریان، شناخت متغیرهای مؤثر بر شبکه می‌تواند باعث بهبود نتایج گردد. به این منظور، با استفاده از تکنیک آماری آنالیز مؤلفه‌های اصلی، که باعث کاهش تعداد متغیرها و ورود متغیرهای مؤثر به شبکه می‌شود، اقدام به مدل‌سازی جریان شد (PCA-ANN). در ابتدا از PCA برای کاهش متغیرهای ورودی استفاده شد و پس از تبدیل ۱۸ متغیر به ۱۸ مؤلفه جدید، از ۸ مؤلفه اول در بهترین مدل به عنوان ورودی به شبکه استفاده گردید. همچنین با استفاده از موجک، پیش‌پردازش روی متغیرهای اصلی صورت گرفت و مدلی نیز برای پیش‌بینی جریان با این روش ارائه شد (WNN). در نهایت، نتایج به‌دست آمده از این سه مدل، حاکی از نقش مؤثر پیش‌پردازش روی متغیرها توسط PCA و موجک بود. همچنین در مقایسه با مدل‌های ANN و WNN در مدل PCA-ANN ، ساختار ساده‌تر، سرعت آموزش شبکه بیشتر و نتایج رضایت‌بخش‌تر بود.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
