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

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:

719
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

اکتشاف قنات های زیرزمینی مدفون از طریق شبکه های عصبی مصنوعی و با استفاده از داده های میکروگرانی سنجی

صفحات

 صفحه شروع 9 | صفحه پایان 15

کلیدواژه

پرسپترون چندلایه (MLP)Q3

چکیده

 در این مقاله یک الگوریتم هوشمند جهت اکتشاف قنات های زیرزمینی مدفون با شبکه های عصبی و با استفاده از داده های میکروگرانی سنجی ارایه شده است.به منظور برآورد عمق و اندازه قنات های زیرسطحی از روی بی هنجاری (آنومالی) گرانی باقی مانده یک شبکه عصبی مصنوعی با سرپرست, از نوع پرسپترون چندلایه (MLP) طراحی شد. از آنجا که در طراحی شبکه عصبی سرعت پردازش داده ها از اهمیت خاصی برخوردار است و تعداد ورودی های زیاد باعث پیچیدگی غیرمنطقی توپولوژی شبکه می شود, به جای اعمال همه داده های تصحیح شده, میکروگرانی در حکم ورودی, مجموعه ای مشخصه های مناسب (Features) از روی آنومالی باقی مانده داده های میکروگرانی استخراج می شود, سپس با توجه به مدل های کره و استوانه که نزدیک ترین مدل ها به قنات های مدفون هستند, مجموعه ای از داده های آموزشی که برای آموزش شبکه عصبی طراحی شده اند, مورد استفاده قرار می گیرند, در واقع شبکه عصبی طراحی شده پس از این آموزش قادر خواهد بود که با توجه به مشخصه های استخراج شده از روی بی هنجاری باقی مانده, عمق و شعاع قنات مدفون را به دست آورد.از آنجا که قاعده کلاسیک خاصی برای انتخاب تعداد نورون ها در لایه پنهان شبکه عصبی چندلایه وجود ندارد, شبکه های عصبی چندلایه گوناگونی با تعداد نورون های متفاوت در لایه پنهان مورد آ‍زمایش قرار گرفت و نمودارهای عملکرد شبکه در هر حالت به دست آمد تا از روی آن بهترین مقدار تعداد نورون ها در لایه پنهان حاصل شود.پس از این مرحله ابتدا با استفاده از مجموعه ای داده های مصنوعی, شبکه عصبی طراحی شده مورد آزمون قرار گرفت. سپس خروجی های شبکه با استفاده از داده های مصنوعی نوفه دار برای مدل های کره و استوانه بررسی شد که عملکرد مناسبی را نشان داد.همچنین, عمق قنات زیرزمینی مدفون واقع در ورودی شمالی موسسه ژئوفیزیک در حکم نمونه ای عملی با شبکه عصبی طراحی شده, به دست آمد که با مقدار واقعی آن انطباق خوبی داشت.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    حاجیان، علیرضا، ابراهیم زاده اردستانی، وحید، لوکاس، کارو، و سقاییان نژاد، سیدمرتضی. (1388). اکتشاف قنات های زیرزمینی مدفون از طریق شبکه های عصبی مصنوعی و با استفاده از داده های میکروگرانی سنجی. مجله فیزیک زمین و فضا، 35(1)، 9-15. SID. https://sid.ir/paper/457272/fa

    Vancouver: کپی

    حاجیان علیرضا، ابراهیم زاده اردستانی وحید، لوکاس کارو، سقاییان نژاد سیدمرتضی. اکتشاف قنات های زیرزمینی مدفون از طریق شبکه های عصبی مصنوعی و با استفاده از داده های میکروگرانی سنجی. مجله فیزیک زمین و فضا[Internet]. 1388؛35(1):9-15. Available from: https://sid.ir/paper/457272/fa

    IEEE: کپی

    علیرضا حاجیان، وحید ابراهیم زاده اردستانی، کارو لوکاس، و سیدمرتضی سقاییان نژاد، “اکتشاف قنات های زیرزمینی مدفون از طریق شبکه های عصبی مصنوعی و با استفاده از داده های میکروگرانی سنجی،” مجله فیزیک زمین و فضا، vol. 35، no. 1، pp. 9–15، 1388، [Online]. Available: https://sid.ir/paper/457272/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    مرکز اطلاعات علمی SID
    strs
    دانشگاه امام حسین
    بنیاد ملی بازیهای رایانه ای
    کلید پژوه
    ایران سرچ
    ایران سرچ
    فایل موجود نیست.
    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