مقایسه کارآیی مدل ‌های شبکه‌ های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان

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

 مقایسه کارآیی مدل ‌های شبکه‌ های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقایسه کارآیی مدل ‌های شبکه‌ های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان  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 مقایسه کارآیی مدل ‌های شبکه‌ های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقایسه کارآیی مدل ‌های شبکه‌ های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان :

نام کنفرانس، همایش یا نشریه : جغرافیا و برنامه ریزی محیطی (مجله پژوهشی علوم انسانی دانشگاه اصفهان)

تعداد صفحات :۲۱

یک سیستم رودخانه ای یک سیستم باز است که از درگیر شدن ارتباطات مختلف و پیچیده شکل می ‌گیرد. خصوصیات ذاتی حوضه‌ ها از یک سو و عوامل خارجی از سوی دیگر رفتارهای رودخانه را متاثر می ‌سازد. وجود ارتباطات متقابل متعدد از جمله ارتباطات جریان و رسوب حمل شده و تاثیر عوامل ژئومورفولوژی حوضه و مدل سازی آن از اهمیت ویژه ای برخوردار است. در این مطالعه دو نوع شبکه عصبی مصنوعی ژئومورفولوژیکی و غیر ژئومورفولوژیکی برای پیش بینی بار رسوب جریان رودخانه سمندگان طراحی گردید و نتایج آن با دو نوع مدل رگرسیونی ژئومورفولوژیکی و غیر ژئومورفولوژیکی مورد مقایسه قرار گرفت. نتایج طراحی شبکه ‌های عصبی مبین کارآیی خوب شبکه‌ های چند لایه پرسپترون با الگوریتم یادگیری پس انتشار خطا است. نتایج نشان داد که شبکه عصبی ژئومورفولوژیکی با ضریب تبیین ۰.۸۶۲ و مجذور میانگین مربعات خطای ۱.۸۱۵ در مقایسه شبکه عصبی غیر ژئومورفولوژیکی با ضریب تبیین ۰.۸۲۷ و معیار خطای ۲.۰۳۱ میزان رسوب جریان را بهتر پیش بینی می ‌کند. نتایج ارزیابی مدل ‌های رگرسیونی مبین عملکرد ضعیف تر آنها در مقایسه با روش شبکه عصبی مصنوعی است به طوری که ضریب تبیین مدل رگرسیونی ساده غیر ژئومورفولوژیکی ۰.۷۵۹ و معیار خطای ۲.۳۹۵ و ضریب تبیین مدل رگرسیونی ژئومورفولوژیکی برابر ۰.۸۱۱ با معیار خطای معادل ۲.۱۴۲ است. همچنین از مقایسه نتایج مدل‌ های مختلف چنین استنباط می ‌شود زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آنها مناسب تر می‌ شود.

کلید واژه: بار رسوب، پیش بینی، رودخانه سمندگان، ژئومورفولوژی، سیلاب، شبکه عصبی مصنوعی، مدل رگرسیونی، مدل سازی