دانش رسان |
مرکز علم و دانش کشور مقاله مقایسه میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله مقایسه میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله مقایسه میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه 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 میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله مقایسه میزان کارآیی شبکه عصبی مصنوعی و مدل‌های رگرسیونی، منحنی‌سنجه رسوب در برآورد رسوب معلق روزانه :
تعداد صفحات :۱۳
تعیین میزان فرسایش خاک و بار رسوبی رودخانه عملاً کاری مشکل است؛ بنابراین روش های مختلفی برای آن ها پیشنهاد شده است. یکی از روش های نوین در حل مسائل مهندسی آب و همچنین برآورد رسوب معلق رودخانه ها، استفاده از شبکه عصبی مصنوعی است که با الگو برداری از شبکه مغز انسان، ضمن اجرای فرآیند آموزش، روابط درونی بین داده ها را کشف کرده و به موقعیت های دیگر تعمیم می دهد. هدف از انجام این تحقیق، بررسی کارآیی روش شبکه عصبی مصنوعی در برآورد رسوب معلق روزانه نسبت به مدل های رگرسیونی (منحنی سنجه رسوب) است. بدین منظور، ابتدا آمار هم زمان دبی آب و دبی رسوب رودخانه شور خارستان در خروجی حوزه آبخیز، در طی یک دوره آماری ۲۲ ساله جمع آوری گردید و پس از رفع نواقص آماری و حذف داده های پرت، از آن ها برای مدل سازی رسوب معلق روزانه با استفاده از روش شبکه عصبی و مدل رگرسیونی خطی استفاده شد. سپس نتایج به دست آمده از دو روش شبکه عصبی و مدل رگرسیون خطی (منحنی سنجه رسوب)، بر اساس معیارهای MAE ،RMSE و R2 ارزیابی شد. نتایج نشان داد که برآورد روش شبکه عصبی مصنوعی، در مقایسه با برآورد مدل رگرسیون خطی (منحنی سنجه رسوب)، دقت بالاتری دارد؛ به طوری که مقدار MAE ،RMSE و R2 برآورد شبکه عصبی به ترتیب، برابر با ۱۹.۲۷، ۱۲.۱۴ و ۰.۹۸ و برای مدل رگرسیون خطی، به ترتیب برابر با ۳۶.۸۴، ۲۰.۷۵ و ۰.۷۴ است که نشان دهنده پایین بودن خطا در مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون خطی است.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
