پایان نامه ارشد:بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزههای آبخیز (مطالعه موردی: حوزه آبخیز … |
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:
فرم در حال بارگذاری ...
[سه شنبه 1399-10-16] [ 11:01:00 ب.ظ ]
|