برای اطلاع از آخرین مقالات علمی و اخبار کرونا(COVID-19) کلیک کنید

مشخصات مقاله

عنوان: 

بررسی تاثیر قوانین مختلف یادگیری بر دقت مدل سازی شبکه عصبی پرسپترون چند لایه در پیش بینی بیلان آبی سد مخزنی قشلاق

نوع ارائه: مقاله
نویسنده: محمدي يوسف*,مباركي جليل,عبقري هيراد
 
 *مهندسين مشاور ژيناب غرب
 
عنوان همایش: همايش ملي علوم و مهندسي آبخيزداري ايران (مديريت پايدار بلاياي طبيعي)
نوع همایش:  انجمن هاي علمي
حامی:  انجمن آبخيزداري ايران
زمان:  1388دوره 5
 
چکیده: 

مدل هاي هوشمند، پردازش کننده هاي موازي مي باشند که روابط بين سيگنالهاي ورودي را ياد گرفته و با به روز رساني ضرايب وزني مناسبترين توپولوژي ممکن را براي شبيه سازي الگوها ارائه مي نمايند. در مسائل مربوط به منابع آب انتخاب مدل هايي که تا حد امکان به واقعيت موجود حوزه آبخيز نزديک باشد، بسيار مشکل است. شبکه هاي عصبي مصنوعي از جمله مدل هايست که مي تواند با دقت مناسبي واقعيات موجود پديده هاي هيدرولوژيک را به تصوير بکشد و پيش بيني آن نزديکتر به و اقعيت باشد اما دقت آن بستگي به نحوه استفاده از الگوريتم هاي يادگيري و قوانين آموزش آن دارد. در اين مقاله به منظور برآورد دقت پيش بيني دبي ورودي به سد قشلاق از 6 قانون يادگيري در شبکه پرسپترن چند لايه پيش خور با نامهاي Quick prop، Delta Rule، Ext BDB، Max Prop، Delta Bar Delta (BDB) و Normalized Cumulative Delta استفاده گرديد. بر اساس نتايج بدست آمده و با توجه به مجذور ميانگين مربعات خطا (RMSE) مشخص شد که قوانين يادگيري Quick Prop و Ext DBD به ترتيب با دارا بودن 0.0399 و 0.0549 کمترين و بيشترين خطا را براي پيش بيني دبي ورودي به سد قشلاق ارائه مي دهد. لذا مي توان براي مدلسازي منابع آب قانون يادگيري quick Prop را جايگزين مناسبي براي Delta Rule معرفي نمود.

 
کلید واژه: سد قشلاق، شبکه پرسپترن، چندلايه پيش خور، Quick Prop، قانون يادگيري
 
مقالات نشریه ای مرتبط: 
 
مقالات همایشی مرتبط: 
 
ارتباط خیلی زیاد ارتباط زیاد مرتبط ارتباط کمتر
 
 
بازدید یکساله 28   pdf-file
 
 
 
آخرین های بلاگ
ورود به بلاگ مرکز اطلاعات علمی