ارزیابی روش غیرپارامتریک k- نزدیک ترین همسایه و سیستم های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک

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

 ارزیابی روش غیرپارامتریک k- نزدیک ترین همسایه و سیستم های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد ارزیابی روش غیرپارامتریک k- نزدیک ترین همسایه و سیستم های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک  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 ارزیابی روش غیرپارامتریک k- نزدیک ترین همسایه و سیستم های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن ارزیابی روش غیرپارامتریک k- نزدیک ترین همسایه و سیستم های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک :

نام کنفرانس، همایش یا نشریه : مجله الکترونیک مدیریت خاک و تولید پایدار

تعداد صفحات :۲۰

سابقه و هدف: هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است ولی در بیش تر موارد به علت محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. در این پژوهش مدل های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به –K نزدیک ترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده های سهل الوصول خاک، مورد مقایسه قرار گرفت.مواد و روش ها: در این پژوهش ۱۵۱ نمونه از خاک های زراعی اطراف بجنورد، انتخاب و متغیرهای کمکی شامل فراوانی ذرات، جرم مخصوص حقیقی و ظاهری همچنین هدایت الکتریکی عصاره اشباع خاک (ECe)، درصد مواد آلی خاک (OM)، رطوبت اشباع خاک (qs) و میزان مواد خنثی شونده آن (TNV) میزان مواد خنثی شونده آن اشباع به کار گرفته شد. جهت ارزیابی سیستم های شبکه عصبی مصنوعی همه داده ها به ۳ قسمت، ۵۰ درصد برای آموزش، ۲۵ درصد برای تست و سایر داده ها برای اعتبارسنجی تقسیم شدند. طراحی ساختار مدل های (پرسپترون چندلایه) توسط توابع سیگموئید و لایه مخفی انجام شد. شبکه عصبی مصنوعی برای همه مدل های MLP (پرسپترون چندلایه) توسط توابع سیگموئید و لایه مخفی انجام شد. شبکه عصبی مصنوعی برای همه مدل ها، با الگوریتم آموزشی لونبرگ- مارکوآردت به صورت یک لایه پنهان تابع آستانه logsig برای لایه پنهان و tansig برای لایه خروجی انتخاب گردید.یافته ها: استفاده از پارامترهای آماری نشان داد که از لحاظ دقت برآورد، روش شبکه عصبی مصنوعی در مقایسه با روش غیرپارامتریک –k نزدیک ترین همسایه در شرایط ارائه تمامی پارامترها (با داشتن آماره های r=0.97، EF=0.946، RMSE=8.798، ME=28.446 و CRM=-0.134) نسبت به سایر روش ها و مدل های ورودی از دقت قابل قبولی برخوردار می باشد.نتیجه گیری: بررسی ها نشان داد که تکنیک های مختلف توانسته اند تا حدی، مقادیر ضریب هدایت هیدرولیکی را تخمین بزنند در روش غیرپارامتریک –k نزدیک ترین همسایه، تمرکز نقاط برآوردی بر روی خط رگرسیونی ۱:۱ بیش تر از سایر روش های مورد بررسی بوده است. بهترین نتیجه مربوط به روش شبکه عصبی مصنوعی با تمامی اطلاعات بانک داده بود شاخص کارایی (۵۷ تا ۷۱ درصد=EF) روش –k نزدیک ترین همسایه، نشانه توانمند بودن این تکنیک در برآورد مقادیر هدایت هیدرولیکی بر اساس سایر پارامترهای زودیافت خاک شامل توزیع اندازه ذرات خاک، هدایت الکتریکی عصاره اشباع خاک (EC)، درصد اشباع خاک (SP)، درصد کربن آلی خاک (OC)، مقدار مواد خنثی شونده (TNV)، جرم ویژه حقیقی و ظاهری خاک می باشد. روش شبکه عصبی مصنوعی می تواند به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید، نیاز به اشتقاق مجدد این توابع را الزام آور می کند، به کار رود.

کلید واژه: روش های شبکه عصبی مصنوعی، تکنیک k- نزدیک ترین همسایه، هدایت هیدرولیکی اشباع