مقاله ارزیابی دقت روش شبکه های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر تعرق پتانسیل در استان همدان

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

  مقاله ارزیابی دقت روش شبکه های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر تعرق پتانسیل در استان همدان دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ارزیابی دقت روش شبکه های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر تعرق پتانسیل در استان همدان  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 ارزیابی دقت روش شبکه های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر تعرق پتانسیل در استان همدان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ارزیابی دقت روش شبکه های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر تعرق پتانسیل در استان همدان :

تعداد صفحات:۱۰

چکیده:

امروزه شبکه های عصبی مصنوعی کاربردهای فراوانی در علوم آب دارند. به منظور ارتقا بهره وری مصرف آب در شبکه های آبیاری و زهکشی می توان از شبکه های عصبی بهره جست. صرف وقت و هزینه زیاد در تعیین تبخیر – تعرق به وسیله لایسیمتر ، ارزیابی دقت شبکه عصبی مصنوعی درتعیین تبخیر – تعرق با فرمول های تجربی و لاسیمتر ضروری به نظر می رسد. بدین منظور از اطلاعات هواشناسی و همچنینلایسیمتری موجود در استان همدان جهت آموزش شبکه های عصبی مصنوعی استفاده شد. در مطالعه حاضر شش عنصر فرایند در لایه ورودی شبکه عصبی مصنوعی، در نظر گرفته شد که شامل دمای حداقل و حداکثر هوا، رطوبت حداقل و حداکثر هوا، ساعات آفتابی و سرعت باد بودند. شبکه شامل یک لایه ورودی یک لایه پنهان و یک لایه خروجی با یک عنصر فرایند بود. اجرای شبکهعصبی با استفاده از نرم افزارProfessional II PlusNeural work انجام شد. نتایج حاصل از این بررسی نشان داد که پس از اموزش و آزمون شبکه و با توجه به میزان میانگین مجذور مربعات خطا (RMSE) می توان تبخیر – تعرق پتانسیل گیاه مرجع را با درصد اطمینان بالا پیش بینی نمود. ترتیب دقت تبخیر – تعرق برآوردی شامل شبکه عصبی مصنوعی بلائی کریدل و پنمن مانتیس بود. علاوه بر بحث دقت، اطلاعات مورد نیاز در روش شبکه عصبی مصنوعی کمتر از روش های تجربی است.