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

مقاله مقاله نشریه

مشخصات مقاله

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:

696
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

559
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه ی توابع یادگیری شبکه ی عصبی در مدل سازی رواناب

صفحات

 صفحه شروع 659 | صفحه پایان 667

چکیده

پیش بینی دقیق جریان در رودخانه ها یکی از ارکان مهم در مدیریت منابع آب های سطحی به ویژه اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی ها ست. در حقیقت, حصول روش های مناسب و دقیق در پیش بینی جریان رودخانه ها را می توان به عنوان یکی از چالش های مهم در فرایند مدیریت و مهندسی منابع آب دانست؛ اگر چه تحقیقات وسیعی در خصوص کاربرد روش های متکی بر شبکه های عصبی مصنوعی دقت این روش ها بر روش های متداول آماری مانند روش های اتورگسیو و میانگین متحرک ارائه شده است. در این تحقیقات برای یافتن بهترین ساختار برای شبکه ی عصبی تنها به تغییر تعداد لایه های پنهان و تعداد نورون ها اکتفا می شود و به دلیل پیچیدگی حاکم بر انتخاب و معماری شبکه ی مناسب, استفاده از آنها در عمل به طور مناسب توسعه نیافته است. در این تحقیق تعداد 15 تابع یادگیری در شبکه ی عصبی بررسی شد و نتایج نشان داد در ساختار شبکه با یک لایه ی پنهان (ANN1) تابع یادگیری learnglv1, learnh و learnis به ترتیب با MSE برابر 000158/0, 000185/0 و 000188/0 و در مدل ساختار شبکه با دو لایه ی پنهان ANN2 توابع یادگیری learnh, learnsomb و learncon به ترتیب با MSE برابر 000154/0, 000173/0 و 000176/0, عملکرد مناسب تری نسبت به دیگر توابع یادگیری داشته اند. از سوی دیگر در ده مرتبه اجرای دو مدل, دو تابع یادگیری learnsom و learngdm در مدل ANN1 و learnh و learnos در مدل ANN2, بیشترین تکرار را در بین بهترین توابع یادگیری, داشته اند و بنابراین, هنگام استفاده از شبکه ی پس انتشار خطا (که تابع یادگیری آن learngdm است) بهتر است تعداد لایه ی پنهان بیشتر از یکی نباشد؛ زیرا در این صورت شانس رسیدن به جواب مناسب بیشتر خواهد بود, اما اگر به دنبال زیاد کردن عملکرد شبکه با افزایش تعداد لایه ی پنهان باشیم بهتر است با احتیاط از پیش فرض شبکه و به طور مشخص از learngdm استفاده شود.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    زینلی، محمدجواد، و هاشمی، سیدرضا. (1395). مقایسه ی توابع یادگیری شبکه ی عصبی در مدل سازی رواناب. اکوهیدرولوژی، 3(4 )، 659-667. SID. https://sid.ir/paper/254248/fa

    Vancouver: کپی

    زینلی محمدجواد، هاشمی سیدرضا. مقایسه ی توابع یادگیری شبکه ی عصبی در مدل سازی رواناب. اکوهیدرولوژی[Internet]. 1395؛3(4 ):659-667. Available from: https://sid.ir/paper/254248/fa

    IEEE: کپی

    محمدجواد زینلی، و سیدرضا هاشمی، “مقایسه ی توابع یادگیری شبکه ی عصبی در مدل سازی رواناب،” اکوهیدرولوژی، vol. 3، no. 4 ، pp. 659–667، 1395، [Online]. Available: https://sid.ir/paper/254248/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