تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک

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

 تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک  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 تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک :

نام کنفرانس، همایش یا نشریه : تحقیقات مرتع و بیابان ایران

تعداد صفحات :۱۷

خشکسالی یک رویداد طبیعی است که می تواند خسارت های قابل توجهی را به زندگی بشر وارد سازد. پیش بینی خشکسالی نقش موثری را در مدیریت منابع آب ایفا می کند. در این تحقیق به منظور پیش بینی خشکسالی سه مدل ترکیبی از انواع شبکه های عصبی و تبدیل موجک ارائه شده است و بعد با استفاده از این مدل ها، شاخص بارش استاندارد (SPI) برای ۱۲ ماه آینده در ایستگاه سینوپتیک یزد پیش بینی شده است. شبکه های عصبی مصنوعی توانایی بالایی در پیش بینی سری های زمانی غیرخطی دارند. تبدیل موجک نیز با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر آنها می گردد. در تحقیق حاضر با استفاده از مدل های ترکیبی، که شامل شبکه های پرسپترون موجکی (MLP-W)، شبکه های برگشتی موجکی(TR-W) و شبکه های برگشتی با تاخیر زمانی موجکی (TLRN-W) می باشند، به پیش بینی سیگنال های فرعی حاصل از تبدیل موجک پرداخته شده است. همچنین به منظور بررسی تاثیر تبدیل موجک در عملکرد مدل های ترکیبی، نتایج حاصل از این مدل ها با نتایج بدست آمده از مدل های شبکه عصبی منفرد مقایسه و کارایی آنها با استفاده از برخی آماره های ارزیابی اندازه گیری شده است. در نهایت، نتایج بدست آمده از مدل های ترکیبی، ضریب همبستگی بالاتر و خطای پایین تری را نسبت به مدل های منفرد، نشان داده اند. ضریب همبستگی در بهترین مدل ترکیبی (TLRN-W) حدود ۰.۹۷۷ و RMSE وMAE به ترتیب ۰.۰۵ و ۰.۰۲۰ بدست آمد، در حالی که این مقادیر در بهترین مدل منفرد(TLRN) ترتیب برابر با ۰.۸۹۵، ۰.۰۷ و ۰.۰۲۰ اندازه گیری شد. در مجموع یافته های این تحقیق، بهبود کارایی شبکه های عصبی در پیش بینی شاخص خشکسالی را با استفاده از تبدیل موجک نشان می دهند.

کلید واژه: پیش بینی خشکسالی، شاخص خشکسالی SPI، تئوری موجک، شبکه های عصبی مصنوعی، ایستگاه یزد