مقاله توسعه مدل ناپارامتری تولید اطلاعات مصنوعی هیدرولوژیکی ماهانه و مقایسه ی آن با مدلهای پارامتری تولید اطلاعات

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

  مقاله توسعه مدل ناپارامتری تولید اطلاعات مصنوعی هیدرولوژیکی ماهانه و مقایسه ی آن با مدلهای پارامتری تولید اطلاعات دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله توسعه مدل ناپارامتری تولید اطلاعات مصنوعی هیدرولوژیکی ماهانه و مقایسه ی آن با مدلهای پارامتری تولید اطلاعات  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 توسعه مدل ناپارامتری تولید اطلاعات مصنوعی هیدرولوژیکی ماهانه و مقایسه ی آن با مدلهای پارامتری تولید اطلاعات،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله توسعه مدل ناپارامتری تولید اطلاعات مصنوعی هیدرولوژیکی ماهانه و مقایسه ی آن با مدلهای پارامتری تولید اطلاعات :

تعداد صفحات:۱۳
چکیده:
آبدهی رودخانه به عنوان ورودی به سیستم از پارامترهای مهم در مدیریت بهره برداری از مخازن سدها میباشد. شبیه سازی و پیش بینی آبدهی در مقیاس سالانه را میتوان با استفاده از روش های استوکاستیکی انجام داد. در مقیاس ماهانه که در مدیریت سد حائز اهمیت بیشتری است به علت نگرش فصلی و پریودیک روش های استوکاستیکی، تعداد پارامترها افزایش یافته و در نتیجه خطای برآورد بیشتر می شود. در این مطالعه مدل KNN به عنوان اصلی ترین روش ناپارامتری تولید اطلاعات توسعه داده شد. جهت مقایسه ی و ارزیابی روش مدل توسعه داده شده از بسته نرم افزاری SAMS به جهت پوشش کامل مدل های پارامتری استفاده شد. به این منظور از سری های زمان ی آبدهی ماهانه ی ثبت شده در حوضه ی آبریز رودخانه ی سیروان (رودخانه های قشلاق ژاوه، گردلان و رودخانه ی سیروان بالادست محل احداث سد مخزنی داریان)،استفاده شد و به طول سری زمانی مشاهداتی (۵۰ سال) آبدهی مصنوعی برای سه ایستگاه تولید شد. نتایج نشان داد که مدل ناپارامتری توسعه داده شده همانند مدلهای پارامتری توانایی حفظ پارامترهای مهم آماری در سری زمانی را داشته و قادر به تولید مقادیر بی سابقه از متغیر سری زمانی می باشد. قابلیت مدلسازی غیر خطی این الگوریتم و سادگی کاربرد آن از مزایای دیگر این مدل هستند.