17

1-14-1- تئوری شبکه های عصبی مصنوعی 18

1-14-2- پارامترها و مراحل طراحی ANN 20

1-14-3- شبکه های عصبی مصنوعی پیشرو 23

1-14-4- الگوریتم پس انتشار خطا با مومنتوم 24

1-15- معماری شبکه عصبی 28

1-16- شبکه عصبی چه قابلیتهائی دارد؟ 29

1-17- مفاهیم پایه در شبکه های عصبی مصنوعی 30

1-18- انواع شبکه های عصبی 30

1-18-1- شبكه عصبی پرسپترون ساده 30

1-18-2- شبكه عصبی پرسپترون چند لایه) MLP ( 30

1-19- شبکه های عصبی بیولوژیکی 32

فصل دوم: پیشینه تحقیق

2-1- زمینه تاریخی 36

2-2- مطالعات داخل کشور 37

2-3- مطالعات خارج کشور 48

فصل سوم: مواد و روش ها

3-1- معرفی ایستگاهای مورد مطالعه 54

3-2- مراحل روش تحقیق 55

3-3- روش انجام کار 56

3-4- استفاده از شبکه عصبی مصنوعی در برآورد رواناب سالانه 57

3-5- معرفی مدل Qnet2000 59

فصل چهارم: نتایج

4-1- معرفی ایستگاهای مورد مطالعه 67

4-1-1- بند بهمن 68

4-1-1-1- نتایج پردازش داده ها در حالت پیش فرض خود نرم افزار 68

4-1-4- پردازش داده ها با توابع محرک مختلف 84

فصل پنجم : بحث و نتیجه گیری

5-1- ایستگاه بند بهمن 86

5-2- ایستگاه چمریز 87

5-3- ایستگاه درب قلعه 88

5-4- جمع بندی 89

5-5- پیشنهادات 90

منابع و مآخذ

منابع فارسی 92

منابع لاتین 94

پیشنهادات 95

چکیده انگلیسی 97

فهرست جداول

عنوان صفحه

جدول 3-1- مشخصات ایستگاه های مورد مطالعه در استان فارس 54

جدول 4-1- مشخصات ایستگاه های مورد مطالعه در استان فارس 67

جدول 2- 4ساختار های استفاده شده در برنامه Qnet 2000 69

جدول4-3 مقادیر R²و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 69

جدول4-4 مقادیر R²و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریک مختلف 70

جدول4-5 مقادیر R²و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریک مختلف 71

جدول4-6 مقادیر R²و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 74

جدول4-7 مقادیر R²و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریک مختلف 75

جدول4-8 مقادیر R²و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریک مختلف 75

جدول4-9 مقادیر R²و RMSE مربوط به مدل M1در تکرارهای مختلف و توابع تحریک مختلف 78

جدول4-10 مقادیر R²و RMSE مربوط به مدل M2در تکرارهای مختلف و توابع تحریک مختلف79

جدول4-11 مقادیر R²و RMSE مربوط به مدل M3در تکرارهای مختلف و توابع تحریک مختلف79

جدول4-12- ویژگی های مربوط به ساختار بهینه شبکه عصبی برای سایر خوزه های آبخیز 83

فهرست شکل ها

عنوان صفحه

شکل:1-1- شبکه عصبی 16

شکل 1-2- یک نرون منفرد با یک تابع عملگر Sشکل 18

شکل1-3- عملکرد یک شبکه عصبی 19

شکل1-4- ساختار یک شبکه عصبی مصنوعی 3 لایه 19

شکل 1-5- الگوریتم شبیه سازی با شبکه عصبی مصنوعی 22

شکل 1-6- ساختار یک شبکه عصبی مصنوعی پیشرو 23

شکل 1-7- شبکه عصبی پس انتشار BP با یک لایه پنهان 25

شکل 1-8- تابع سیگموئید باینری با محدوده تغییرات بین 0 و 1 25

شکل 1-9- تابع سیگموئید دو قطبی با محدوده تغییرات بین 1- و1 26

شكل 1- 10- ساختار پرسپترون چندلایه با نرون های پنهان tansigو نرون های خروجی با تابع خطی31

شکل 1-11- شبکه عصبی زیستی 34

شکل1-11- تناظر بین شبکه عصبی زیستی و شبکه عصبی مصنوعی 34

شکل3-1- موقعیت ایستگاه های مورد مطالعه بر روی نقشه استان فارس 55

شکل 3-2- اولین پنجره پس از شروع مدل 59

شکل3-3- شروع شبکه آموزش 60

شکل 3-4- طراحی و تعریف شبکه 60

شکل 3-5- تابع استفاده شده 61

شکل3-6- تعریف فایل های ورودی و خروجی 62

شکل 3-7- تعریف پارامتر های مختلف شبکه عصبی 63

شکل 3-8- نمایش روند محاسبات 65

شکل 4-1- نمایش روند محاسبات با تابع گوسین 72

شکل 4-2- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله­ی آموزش با تابع گوسین 72

شکل 4-3- همبستگی دبی مشاهداتی و پیش بینی در مرحله­ی آموزش با تابع گوسین با
ساختار1-2-3 73

شکل 4-4- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله­ی آموزش با تابع گوسین 73

شکل 4-5- نمایش روند محاسبات با تابع گوسین 76

شکل 4-6- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله­ی آموزش با تابع گوسین 77

شکل 4-7- همبستگی دبی مشاهداتی و پیش بینی در مرحله­ی آموزش با تابع گوسین با
ساختار1-2-3 77

شکل 4-8- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله­ی آموزش با تابع گوسین 78

شکل 4-9- نمایش روند محاسبات با تابع گوسین 81

شکل 4-10- نمودار تغییرات خطا بر حسب تعداد تکرار در مرحله­ی آموزش با تابع گوسین 81

شکل 4-11- همبستگی دبی مشاهداتی و پیش بینی در مرحله­ی آموزش با تابع گوسین با
ساختار1-2- 3 82

شکل 4-12- مقادیر دبی مشاهداتی و پیش بینی شده در مرحله­ی آموزش با تابع گوسین 82

چکیده: