مقاله مقایسه روشهای برنامه ریزی ژنتیکو شبکه عصبی در پیش بینی جریان رودخانه (مطالعه موردی : حوضه آبریز رودخانه صوفی چای)

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

  مقاله مقایسه روشهای برنامه ریزی ژنتیکو شبکه عصبی در پیش بینی جریان رودخانه (مطالعه موردی : حوضه آبریز رودخانه صوفی چای) دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه روشهای برنامه ریزی ژنتیکو شبکه عصبی در پیش بینی جریان رودخانه (مطالعه موردی : حوضه آبریز رودخانه صوفی چای)  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 روشهای برنامه ریزی ژنتیکو شبکه عصبی در پیش بینی جریان رودخانه (مطالعه موردی : حوضه آبریز رودخانه صوفی چای)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه روشهای برنامه ریزی ژنتیکو شبکه عصبی در پیش بینی جریان رودخانه (مطالعه موردی : حوضه آبریز رودخانه صوفی چای) :

تعداد صفحات:۱۰
چکیده:
روشهای متعددی همچون مدل سریهای زمانی، شبکه عصبی مصنوعی، منطق فازی، نرو فازی و برنامه ریزی ژنتیک برای پیش بینی جریان رودخانه به کار میرود. در تحقیق حاضر از روش نوین برنامه ریزی ژنتیکو شبکه عصبی مصنوعی جهت پیش بینی جریان روزانه رودخانه صوفی چای در حوضه آبریز دریاچه ارومیه در دوره آماری ۱۳۷۹ تا ۱۳۸۶ استفاده شده است. جهت مدلسازی جریان رودخانه با برنامه ریزی ژنتیک از حافظههای دبی یک روز قبل، دو روز قبل، ;. و پنج روز قبل استفاده شد و نتایج بر اساسشاخصهای آماری جذر میانگین مربعات خطا و ضریب همبستگی مورد بررسی قرار گرفت. نتایج تا حافظه دبی چهار روز قبل، رو به بهبود بوده و بعد از آن رو به نزول گذاشتهاست برای مدل شبکههای عصبی، ساختار با چهار نرون در لایه ورودی و شش نرون در لایه پنهان و یک نرون در لایه خروجی، بهترین نتایج را نشان داد. در مقایسه نتایج دو مدل، در مورد حالت بهینه مدل برنامه ریزی ژنتیک، ضریب همبستگی و جذر میانگین مربعات خطا برای آموزش به ترتیب ۰/۹۵۹ ۰/۰۲۹ برای حالت بهینه مدل شبکههای عصبی مصنوعی به ترتیب ۰/۹۴۸ ۰/۲۱۵ میباشد. لذا برنامه ریزی ژنتیک از دقت بیشتری نسبت به مدل شبکههای عصبی مصنوعی برخوردار بوده و به عنوان روشی مناسب و دقیق جهت پیش بینی پیشنهاد میگردد