مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

2,903
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

913
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین داده های بارش ماهانه (مطالعه موردی: منطقه کردستان)

صفحات

 صفحه شروع 27 | صفحه پایان 42

چکیده

 برآورد توزیع مکانی بارش برای اجرای طرح های مطالعات منابع آب, خشک سالی, طرح های آمایش سرزمین, محیط زیست, آبخیزداری و طرح های جامع کشاورزی ضروری می باشد. تغییرات زیاد مقدار بارش در نقاط مختلف, کمبود ایستگاه های اندازه گیری و پیچیدگی ارتباط بارش با پارامترهای اثرگذار بر آن, اهمیت توسعه روش های کارآمد را در برآورد توزیع مکانی بارش دو چندان می نماید. شبکه عصبی مصنوعی به عنوان یک روش نوین, در مدل سازی و پیش بینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته, موفق بوده است. این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد مکانی بارش ماهانه انجام گرفت. بدین منظور شبکه عصبی با ساختار پرسپترون چندلایه برای تدوین مدل برآورد مکانی بارش در پنج ایستگاه سینوپتیک و باران سنجی, واقع در استان کردستان, به کار گرفته شد. برای طراحی ساختار مدل در هر ایستگاه, با تغییر پارامترهای قابل تنظیم, (شامل تابع انتقال, قانون آموزش, مقدار مومنتم, تعداد لایه پنهان, تعداد نرون لایه پنهان و تعداد الگوها), شبکه های عصبی مختلف ساخته و اجرا شد. در هر مورد, ساختاری که کمترین مقدار جذر میانگین مربعات خطا (RMSE) را داشت به عنوان مدل نهایی انتخاب گردید. از آنجا که انتخاب هر یک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود, از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید. نتایج نشان داد, شبکه عصبی در مدل سازی و برآورد مکانی بارش ماهانه از دقت بالایی برخوردار است. هم چنین تلفیق آن با الگوریتم ژنتیک, برای بهینه سازی شرایط اجرای شبکه عصبی, مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان داد. دقیق ترین مدل در همه ایستگاه های مورد مطالعه, با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. در مدل های منتخب, مقدار ضریب تبیین (R2) بین مقادیر خروجی مدل و داده های مشاهده شده در ایستگاه, برابر با 0.86, 0.89, 0.94, 0.77 و 0.94 به دست آمد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    فقیه، همایون. (1389). ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین داده های بارش ماهانه (مطالعه موردی: منطقه کردستان). علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 14(51)، 27-42. SID. https://sid.ir/paper/14867/fa

    Vancouver: کپی

    فقیه همایون. ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین داده های بارش ماهانه (مطالعه موردی: منطقه کردستان). علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)[Internet]. 1389؛14(51):27-42. Available from: https://sid.ir/paper/14867/fa

    IEEE: کپی

    همایون فقیه، “ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین داده های بارش ماهانه (مطالعه موردی: منطقه کردستان)،” علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، vol. 14، no. 51، pp. 27–42، 1389، [Online]. Available: https://sid.ir/paper/14867/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button