مقاله مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN)

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

  مقاله مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN) دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN)  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 مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN) :

تعداد صفحات:۹
چکیده:
از مهمترین مسائل مربوط به مناطق کوهستانی تحلیل رابطه بارش و ارتفاع و همچنین ارائه یک مدل مطلوب است که بتواند به بهترین شکل تغییرات بارش را تخمین زده و بتواند میزان بارش در مناطق فاقد بارش را به بهرتین نحو تخمین بزند. در این مطالعه سعی شده است از طریق شبکه های عصبی مصنوعی و ارائه بهترین ساختار شبکه به براورد مکانی بارش در منطقه زاگرس میانی پرداخته شود. به این منظور در ابتدا کلیه داده های در دست رس مربوط به بارندگی (اعم از باران سنجی، همدید، و کلیماتولوژی) در دوره آماری ۱۹۹۵-۲۰۰۷ جمع آوری گردید. علاوه بر متغیر بارش که به عنوان متغیر هدف به شبکه معرفی گردید متغیرهای طول و عرض جغرافیایی ، ارتفاع، میزان شیب، فاصله از نقطه ارتفاعی ۲۳۰۰ متر و بیشتر، فاصله از خط الراس، فاصله از خلیح فارس و فاصله از دریای مدیترانه که دارای همبستگی معنی دار با میزان بارش در زاگرس میانی بوده اند به عنوان ورودی های شبکه برای برآورد مکانی بارش به شبکه معرفی گردیدند. آماره های میانگین قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R^2) به منظور ارزیابی عملکرد شبکه استفاده شد نتایج نشان می دهد که شبکه های عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار دارای بهترین عملکرد در برآورد مکانی بارش در زاگرس میانی است. همچنین آرایش ۱-۱۲-۳ با فانون آموزش مارکوات لونبرگ و تابع محرک سیگموئید به ترتیب با مقادیر MAE، RMSE و ۰/۰۹R^2 ، و ۰/۰۷۶ و ۰/۷۹ دارای بهترین عملکرد در آرایش های پیشنهادی در این مطالعه می باشد. بطور کلی مقایسه عملکرد شبکه عصبی مصنوعی با داده های واقعی بارش نشان می دهد که دقت شبکه عصبی مصنوعی در حد قابل قبولی است. همچنین مشخص گردید که تعداد نرون ها در لایه میانی از قانون خاصی تبعیت نکرده و شبکه های عصبی مصنوعی نسبت به ورودی های مدل حساس بوده و در صورت ورود متغیرهای بی معنی ، تناسب عملکرد شبکه کاهش پیدا می کند.