مقاله پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعی RBF ،MLP SVM

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

 مقاله پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعی RBF ،MLP SVM دارای ۲۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعی RBF ،MLP SVM  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 پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعی RBF ،MLP SVM،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعی RBF ،MLP SVM :

تعداد صفحات :۲۲

تخمین تبخیر-تعرق گیاه مرجع یکی از مهم‌ترین مؤلفه‌ها در بهینه‌سازی مصرف آب کشاورزی و مدیریت منابع آب است. پیش‌بینی تبخیر-تعرق مرجع روزانه و هفتگی می‌تواند در پیش‌بینی نیاز آبی گیاهان و برنامه‌ریزی کوتاه‌مدت آبیاری مورداستفاده قرار گیرد. هدف از این تحقیق، ارزیابی عملکرد سه نوع شبکه عصبی مصنوعی MLP(پرسپترون چندلایه)، RBF (شبکه تابع پایه‌ای شعاعی)، SVM (ماشین بردار پشتیبان) در پیش‌بینی تبخیر-تعرق مرجع روزانه و هفتگی در ایستگاه همدیدی تبریز است. برای این منظور از داده‌های هواشناسی با دوره آماری ۳۹ ساله (۲۰۰۹-۱۹۷۱) استفاده شد. برای آموزش شبکه‌های عصبی ۸۰ درصد سری‌های زمانی ایجادشده به‌تصادف انتخاب و ۲۰ درصد داده‌ها برای صحت‌سنجی مدل‌های پیشنهادی به کار رفتند. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه و هفتگی در دوره موردنظر با استفاده از معادله استاندارد پنمن-مانتیث فائو ۵۶ محاسبه گردید. ترکیب‌های متفاوتی از داده‌های ورودی (تأخیرهای مختلف) مورد ارزیابی قرار گرفت. نتایج مربوط به پیش‌بینی روزانه شبکه‌های عصبی نشان داد شبکه عصبی مصنوعی SVM-RBF kernel با تأخیر زمانی M5 دارای RMSE و R2 به ترتیب برابر با ۰/۵۱میلی‌متر در روز و ۰/۹۲ بهترین عملکرد را داشت. همچنین نتایج مربوط به پیش‌بینی هفت‌روزه نشان داد که شبکه عصبی MLP با تأخیر زمانی M8 دارای RMSE و R2 به ترتیب برابر با ۳/۸۸ میلی‌متر در هفته و ۰/۹۵ دارای بیش‌ترین دقت بودند.