مقاله پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان

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

  مقاله پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان  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 پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان :

تعداد صفحات:۱۲

چکیده:

شبکه های عصبی مصنوعی اخیرا توجه بسیاری را در پیش بینی به خود معطوف کرده است ،و با توجه به اینکه تغییرات سالانه بارندگی از یک الگوی کمابیش متناوب پیروی می کند، مدلهای سری فوریه نیز برای پیش بینی تغییرات بارندگی سالانه به عنوان یک شیوه پیش بینی مورد توجه است. در این تحقیق برای پیش بینی بارش از داده های ماهانه بارندگی ایستگاه سنگده درحوضه معرف کسیلیان استفاده شده است روش ارائه شده شامل دو مرحله می باشد. در مرحله اول شبیه سازی بارش با استفاده از سری فوریه صورت می گیرد و در مرحله بعد مدل ترکیبی شبکه عصبی و سری فوریه برای پیش بینی میزان بارش به کار برده می شود که سیگنال هواشناسی NAO تبدیل شده به سال ابی ۱۳۴۹ تا ۱۳۸۶ ( و مقادیر مربوط به بارش ماهانه بعنوان پیش بینی کننده predictor جهت انجام مرحله آموزش بکار گرفته میشوند ورودی های شبکه عصبی در چهار سناریو اعمال شدند. نتایج حاصل از رانش مدل ترکیبی نشان داد بهترین انطباق مربوط به سناریوی با ورودیهای شاملNAO ماه قبل و بارش ماه قبل می باشد . به منظور مقایسه نتایجمدل ترکیبی با مدلهای ARIMA فوریه و ANFIS رانش این مدلها نیز با همان سناریو ها انجام شد که مدل ترکیبی از نظر انعطاف پذیری سرعت محاسببات و دقت مناسب نسبت به مدلهای کلاسیک آماری و سایر مدلهای احتمالاتی بجز ANFIS از مزیت بالاتری برخوردار بود.