متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

تبخیر- تعرق مرجع یکی از مهم ترین و موثرترین مولفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب می باشد. در سال های اخیر استفاده از روش های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است. در مطالعه حاضر کاربرد روش های ANFIS و موجک ANFIS -در پیش بینی تبخیر- تعرق مرجع هفتگی مرجع در ایستگاه های همدیدی تبریز، اهواز، بندرعباس و رامسر که دارای اقلیم های مختلفی هستند، مورد بررسی و ارزیابی قرار گرفت. بدین منظور یک دوره آماری 20 ساله (1990 الی 2009) که 15 سال (1990-2004) آن برای آموزش و پنج سال انتهایی (2009-2005) جهت آزمون مدل های مختلف در نظر گرفته شد. ترکیب های مختلفی از داده های ورودی (تاخیرهای مختلف) و انواع موجک های مادر مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل هیبریدی موجک- ANFIS در هر چهار ایستگاه همدیدی مورد استفاده نسبت به مدل ANFIS دارای توانایی و دقت بالاتری در پیش بینی تبخیر- تعرق هفتگی می باشد. همچنین نتایج نشان داد که استفاده از تاخیرهای زمانی سالانه در مدل  ANFISموجب افزایش دقت گردید در حالی که در مدل موجک-ANFIS استفاده از تاخیرهای زمانی سالانه موجب افزایش دقت نمی گردد و در برخی موارد حتی موجب کاهش دقت نیز می گردد. بررسی انواع موجک های مادر نیز نشان داد که موجک میر مناسب ترین نوع موجک برای پیش بینی تبخیر- تعرق مرجع در مقیاس هفتگی می باشد. از نتایج تحقیق حاضر می توان در برنامه ریزی آبیاری مناطق مورد مطالعه استفاده نمود.

احداث سازه ها بر روی خاک های رسی اشباع باعث به هم فشردگی ذرات خاک شده که پدیده تحکیم و نشست خاک را به همراه دارد. یکی از روش های محاسبه نشست، استفاده از شاخص فشردگی است که از طریق آزمایش تحکیم بدست می آید. تعیین این ضریب از طریق آزمایش تحکیم بسیار وقت گیر و پرهزینه بوده به طوری که از گذشته تاکنون روابط تجربی زیادی بیان شده است تا بوسیله آنها بتوان شاخص فشردگی را پیش بینی نمود. در این تحقیق داده های مهم و با ارزشی از نتایج آزمایش تحکیم در نقاط مختلف استان خوزستان جمع آوری گردید و با استفاده از داده های یاد شده مقادیر شاخص فشردگی تعیین شد. سپس با استفاده از تکنیک تطبیق شبکه عصبی مصنوعی و منطق فازی (ANFIS) نتایج، مورد آزمون و ارزیابی قرار گرفت. همچنین در این تحقیق، نتایج کسب شده از سیستم تطبیقی ANFIS با نتایج حاصل از فرمول های تجربی در ارتباط با داده های واقعی مورد مقایسه قرار گرفت. در بهترین حالات خطای برخی از روابط تجربی در منطقه مورد مطالعه در حدود 20 درصد محاسبه شد. این در حالی است که اکثر روابط تجربی در منطقه مورد مطالعه دارای دقت قابل قبولی نستند. نتایج نشان داد که سیستم تطبیقی ANFIS شاخص فشردگی که یکی از پارامترهای مهم و اساسی در برآورد تحکیم خاک های رسی است را با دقت قابل قبولی بر اساس نسبت پوکی اولیه و رطوبت طبیعی پیش بینی می نماید؛ به گونه ای که، در مقایسه با سایر روابط تجربی و شبکه مصنوعی (ANNs) سیستم تطبیقی ANFIS دارای نتایج بهتری است و بر اساس نتایج کسب شده RSME آن حدود 15 درصد و خطای ایجاد شده در حدود 12 درصد است.

مقدمه: تشخیص و طبقه بندی افسردگی به عنوان شایعترین اختلال روانشناختی غیرطبیعی در سالمندان کمتر مورد توجه قرار گرفته است. هدف تحقیق استفاده از سیستم ANFIS برای پردازش خودکار اطلاعات به منظور ارایه الگوریتم مناسب برای پیش بینی افسردگی سالمندان بود. روش کار: مطالعه کاربردی حاضر در مرکز نگهداری سالمندان شهرستان گنبد کاووس انجام شد. تعداد 30 سالمند به عنوان نمونه در دسترس انتخاب و داده ها به روش مصاحبه بالینی و استفاده از مقیاس GDS جمع آوری گردید. از نرم افزار MATLABR2016b برای پیاده سازی معادلات و توابع تعریف شده در لایه های سیستم ANFIS استفاده شد. با استفاده از تکنیک همبستگی پیرسون، 6 متغیر بالینی موثر در افسردگی سالمندان به عنوان ورودی مدل ANFIS انتخاب شدند. داده ها به صورت تصادفی و به نسبت 30: 70 به دو گروه آموزش و آزمایش تقسیم شدند. ارزیابی عملکرد سیستم با استفاده از ماتریس آشفتگی و منحنی راک بررسی شد. یافته ها: نتایج نشان داد که الگوریتم سیستم ANFIS و طراحی شده در نرم افزار MATLAB با حساسیت بالاتر از56/92 % و با متمم ویژگی بالاتر از 68/89 % و سطح زیر منحنی بین 83/0 تا 1 در تشخیص و طبقه بندی افسردگی سالمندان از دقت قابل قبولی برخوردار بود. بعلاوه، ارزیابی مدل توسعه یافته نشان داد که توانسته است سطوح افسردگی سالمندان را در مقایسه با پرسشنامه GDS و مصاحبه بالینی بطور صحیح و با دقت بالا پیش بینی و طبقه بندی کند. مدل فقط در متمایزسازی سطح کم افسردگی از سطح نرمال با یک خطای غیر معنادار روبرو بود که توسط متخصصین به کمک علایم بالینی در زمان مصاحبه قابل اصلاح است. نتیجه گیری: سیستم طراحی شده دقت تشخیص متخصص را افزایش داده و می تواند به عنوان یک دستیار قابل اطمینان طی فرآیند مراقبت های اولیه سلامت روان به عنوان یک ابزار غربالگری برای شناسایی زود هنگام اختلالات روانشناختی استفاده شده و به موقع درمان متناسب شروع گردد. در نهایت در سطح برنامه ریزی کلان، به جای هدردادن وقت و هزینه زیاد برای تشخیص و طبقه بندی اختلال، می توان آن را صرف ارزیابی تصمیم پروتکل درمانی گرفته شده کرد و اصلاحات لازم را برای بهبود عملکرد سازمان انجام داد.