مقاله کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود

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

  مقاله کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود  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 کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود :

مقاله کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود که چکیده‌ی آن در زیر آورده شده است، در تابستان ۱۳۸۸ در آمایش محیط از صفحه ۲۳ تا ۳۷ منتشر شده است.
نام: کاربرد مدل شبکه عصبی در برآورد رواناب مطالعه موردی: حوضه آبریز پلاسجان، حوضه آبریز زاینده رود
این مقاله دارای ۱۵ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله رواناب
مقاله شبکه عصبی پرسپترون چند لایه
مقاله اعتبار سنجی
مقاله خود همبستگی
مقاله حوضه آبریز پلاسجان

چکیده و خلاصه‌ای از مقاله:
برآورد رواناب در یک حوضه آبریز اهمیت زیادی در مدیریت منابع آب حوضه دارد. با وجود مدل های فیزیکی و آماری که هر کدام برخی از پارامترهای حوضه را به منظور برآورد رواناب را در بر می گیرند، استفاده از شبکه های عصبی به عنوان یک مدل جعبه سیاه نیز یکی از روش های مناسب محسوب می شود. هدف این تحقیق استفاده از شبکه عصبی پرسپترون چند لایه به منظور برآورد میزان رواناب روزانه از روی بارندگی روزانه حوضه آبریز پلاسجان است. ابتدا سری های بارندگی روزانه سه ایستگاه واقع در منطقه و سری روزانه دبی ایستگاه پلاسجان به سری نرمال تبدیل و با توجه به خود همبستگی و همبستگی عرضی بارندگی و رواناب، شش متغیر به عنوان ورودی به شبکه انتخاب شد. در پایان مشخص شد شبکه عصبی پرسپترون با چهار لایه مخفی اعتبار بیشتری در برآورد رواناب نسبت به سایر شبکه ها دارد.