نتایج جستجو

1796

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

180

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها



گروه تخصصی










متن کامل


مرکز اطلاعات علمی SID1
مرکز اطلاعات علمی SID
اسکوپوس
مرکز اطلاعات علمی SID
ریسرچگیت
strs
نویسندگان: 

Parhizkari Maryam | MAZANDARANI ZADEH HAMED

اطلاعات دوره: 
  • سال: 

    2020
  • دوره: 

    6
  • شماره: 

    2
  • صفحات: 

    71-77
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    140
  • دانلود: 

    37
چکیده: 

Hydro-power is one of the most important ways of providing energy in peak hours. Restructuring in the electricity industry has created rivalry among the country's electricity suppliers. In order to increase the profitability of investment and better utilization of resources, estimating the future price of electricity is of particular importance to producers. Artificial Neural Networks (anns), as one of the most important methods of artificial intelligence, have many uses in predicting and predicting phenomena. Recently, in order to improve the performance of the model of artificial intelligence models, their combination with optimization models has become widespread. The purpose of this study was to compare the performance of ann, PSO-ann and GA-ann models in predicting the dispersed and sinusoidal data of peak daily electricity prices in Iran. The results show that the use of PSO-ann and GA-ann models in this case study has no superiority to the ann model and has not improved the performance and forecast of the electricity market data.

آمار یکساله:  

بازدید 140

دانلود 37 استناد 0 مرجع 0
نشریه: 

POLLUTION

اطلاعات دوره: 
  • سال: 

    2017
  • دوره: 

    3
  • شماره: 

    2
  • صفحات: 

    191-200
تعامل: 
  • استنادات: 

    455
  • بازدید: 

    23887
  • دانلود: 

    17245
چکیده: 

One of the main aims of water resource planners and managers is to estimate and predict the parameters of groundwater quality so that they can make managerial decisions. In this regard, there have many models developed, proposing better management in order to maintain water quality. Most of these models require input parameters that are either hardly available or time-consuming and expensive to measure. Among them, the Artificial Neural Network (ann) Models, inspired from human brain, are a better choice. The present study has simulated the groundwater quality parameters of Ramhormoz Plain, including Sodium Adsorption Ratio (SAR), Electrical Conductivity (EC), and Total Dissolved Solids (TDS), via ann and ann+ Particle Swarm Optimization (PSO) Models and at the end has compared their results with the measured data. The input data for TDS quality parameter is consisted of EC, SAR, pH, SO4, Ca, Mg, and Na, while for SAR, it includes TDS, pH, Na, and Hco3, and as for EC, it involves So4, Ca, Mg, SAR, and pH; all of them, gathered from 2009 to 2015. Results indicate that the highest prediction accuracy for SAR, EC, and TDS is related to the ann + PSO model with the tangent sigmoid activation function so that both MAE and RMSE statistics have the minimum and R2 the maximum value for the model. Also the highest prediction accuracy is respectively related to EC, TDS, and SAR parameters. Considering the high efficiency of artificial neural network model, by training the PSO algorithm, it can be used in order to make managerial decisions and ensure monitoring and cost reduction results.

آمار یکساله:  

بازدید 23887

دانلود 17245 استناد 455 مرجع 0
اطلاعات دوره: 
  • سال: 

    2019
  • دوره: 

    6
  • شماره: 

    2
  • صفحات: 

    92-99
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1327
  • دانلود: 

    1436
چکیده: 

A reliable model for any wastewater treatment plant (WWTP) is essential to predict its performance and form a basis for controlling the operation of the process. This would minimize the operation costs and assess the stability of environmental balance. This study applied artificial neural network-genetic algorithm (ann-GA) and co-active neuro-fuzzy logic inference system (CANFIS) in comparison with ann for predicting the performance of WWTP. The result indicated that the GA produces more accurate results than fuzzy logic technique. It was found that GA components increased the ann ability in predicting WWTP performance. The normalized root mean square error (NRMSE) for ann-GA in predicting chemical oxygen demand (COD), total suspended solids (TSS) and biochemical oxygen demand (BOD) were 0. 15, 0. 19 and 0. 15, respectively. The corresponding correlation coefficients were 0. 891, 0. 930 and 0. 890, respectively. Comparing these results with other studies showed that despite the slightly lower performance of the current model, its requirement for a lower number of input parameters can save the extra cost of sampling.

آمار یکساله:  

بازدید 1327

دانلود 1436 استناد 0 مرجع 0
گارگاه ها آموزشی
اطلاعات دوره: 
  • سال: 

    1385
  • دوره: 

    37
  • شماره: 

    1
  • صفحات: 

    187-196
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    829
  • دانلود: 

    330
چکیده: 

پرش هیدرولیکی متحرک، حالت خاصی از جریان غیرماندگار است که باعث تغییر رژیم و وقوع ناپیوستگی هیدرولیکی در جریان می شود. در روندیابی جریان غیرماندگار و یا برنامه های بهره برداری کانال های روباز، آگاهی از رفتار چنین جریانی در بازه ها ضروری است. این درحالی است که شبیه سازی عددی این پدیده به واسطه وجود ناپیوستگی هیدرولیکی و غیرماندگاری جریان، پیچیده است و داده های آزمایشگاهی در این مورد نیز محدود هستند. به این ترتیب جمع آوری داده های آزمایشگاهی و تجزیه و تحلیل آنها با استفاده از توانایی سیستم های هوشمند، می تواند در برآورد مشخصات موردنظر پرش هیدرولیکی متحرک کارآمد باشد. در این تحقیق داده های جریان های غیرماندگار جمع آوری شده از یک فلوم آزمایشگاهی مستطیلی، با استفاده از شبکه مصنوعی و همچنین با کاربرد الگوریتم ژنتیک برای بهینه سازی پارامترهای شبکه عصبی، مورد تحلیل قرارگرفت. در آزمایش ها، جریان غیرماندگار و شرایط مختلف پرش هیدرولیکی متحرک، با ایجاد هیدروگراف های متنوع دبی در بالادست، تولید شد. با اجرای الگوی پرسپترون شبکه عصبی و بهینه سازی پارامترهای آن توسط الگوریتم ژنتیک، پارامترهای مختلف پرش برآورد شدند. نتایج نشان داد که شبکه عصبی و یا به عنوان یک گزینه برتر، تلفیق این شبکه با الگوریتم ژنتیک، می تواند به عنوان یک الگوریتم مکمل در مدل های عددی و یا الگوریتم های بهره برداری، برای برآورد مشخصات پرش هیدرولیکی در جریان غیرماندگار به کار رود. به ویژه مشخصات مقطع زیربحرانی بعد از پرش، با دقت مناسبی قابل برآورد است. همچنین آزمون و توسیع این روش برای شرایط جامع آزمایشگاهی و صحرایی می تواند به عرضه ابزاری ساده و کارآمد در روندیابی این نوع جریان منجر شود.

آمار یکساله:  

بازدید 829

دانلود 330 استناد 1 مرجع 0
اطلاعات دوره: 
  • سال: 

    1388
  • دوره: 

    0
  • شماره: 

    15
تعامل: 
  • بازدید: 

    84
  • دانلود: 

    52
چکیده: 

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

آمار یکساله:  

بازدید 84

دانلود 52
اطلاعات دوره: 
  • سال: 

    1400
  • دوره: 

    23
  • شماره: 

    4 (107 پیاپی)
  • صفحات: 

    107-119
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    41
  • دانلود: 

    26
چکیده: 

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش تر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن ها مشکل است و یا اینکه اندازه گیری آن ها محتاج صرف هزینه و زمان زیادی می باشد. در این میان مدل های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می نمایند، به عنوان گزینه ای برتر معرفی می شوند. روش بررسی: پژوهش حاضر به منظور شبیه سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل SAR، EC و TDS با استفاده از مدل های ann+PSO و ann+P-PSO و درنهایت مقایسه نتایج آن ها با داده های اندازه گیری شده، انجام گرفته است. اطلاعات ورودی به مدل ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال 1390 تا 1394 جمع آوری شده است. یافتهها: نتایج نشان داد بالاترین دقت پیش بینی پارامترهای کیفی SAR، EC و TDS مربوط به مدل ann+P-PSO می باشد به طوری که مقدار آماره های و کم ترین مقدار و بیش ترین مقدار را برای مدل مذکور دارد. مقدار RMSE در مرحله تست برای الگوریتم PSO در پیش بینی SAR، EC و TDS به ترتیب برابر 09/0، 045/0 (میکرو زیمنس بر سانتی متر) و 053/0 (میلی گرم بر لیتر) به دست آمد. این آماره برای الگوریتم P-PSO در پیش بینی SAR، EC و TDS به ترتیب برابر 039/0، 031/0 (میکرو زیمنس بر سانتی متر) و 045/0 (میلی گرم بر لیتر) تعیین شدند. بحث و نتیجه گیری: نتایج نشان داد که الگوریتم P-PSO از دقت بیش تری نسبت به الگوریتم PSO برخوردار بود. همچنین با توجه به این که تفاوت آماری معنی داری بین داده های اندازه گیری شده و شبیه سازی شده وجود نداشت؛ پیشنهاد می شود از شبکه عصبی مصنوعی برای شبیه سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود.

آمار یکساله:  

بازدید 41

دانلود 26 استناد 0 مرجع 0
strs
اطلاعات دوره: 
  • سال: 

    1398
  • دوره: 

    12
  • شماره: 

    40
  • صفحات: 

    63-79
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    431
  • دانلود: 

    277
چکیده: 

در این پژوهش، توانایی شبکه های عصبی مصنوعی(ann)، به عنوان روشی نوین در خصوص پیش بینی احتمال گزارشگری مالی متقلبانه، در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در یک دوره زمانی 9 ساله بین سال های 1385 تا 1393مورد بررسی قرار گرفت. بدین منظور از طریق اطلاعات مندرج درصورتهای مالی، نسبتهای مالی و مدل پرسپترون های چند لایه که شامل یک لایه ورودی، لایه پنهان از دید نرم افزار MATLAB، و یک لایه خروجی است، احتمال وجود تحریف درگزارش ها مالی وارائه گزارشگری مالی متقلبانه ازطریق تکنیک شبکه عصبی ارزیابی گردید. در این راستا، از اطلاعات هفت سال اول شرکتها، جهت طراحی و آموزش شبکه عصبی، از داده های سال هشتم به منظور اعتبارسنجی و تایید آموزش شبکه و از داده های سال نهم به عنوان داده های آزمون و تست شبکه ی طراحی شده استفاده گردید. در نهایت با توجه به نتایج حاصله، مشخص شد که تکنیک شبکه عصبی و مدلسازی مبتنی برشبکه عصبی ازصحت 97. 4درصد برخوردار است و با طراحی و آموزش دقیق، می توان شبکه های عصبی طراحی نمود که با دقت قابل قبولی بتوانند احتمال گزارشگری مالی متقلبانه شرکت ها را کشف و پیش بینی نمایند.

آمار یکساله:  

بازدید 431

دانلود 277 استناد 0 مرجع 0
نویسندگان: 

BAHAR H.B.

اطلاعات دوره: 
  • سال: 

    2002
  • دوره: 

    15
  • شماره: 

    2 (TRANSACTIONS B: APPLICATIONS)
  • صفحات: 

    157-166
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    18148
  • دانلود: 

    9573
چکیده: 

A functional relationship between two variables; applied mass to a weighing platform and estimated mass using Multi-Layer Perceptron Artificial Neural Networks is approximated by a linear function. Linear relationships and correlation rates are obtained which quantitatively verify that the Artificial Neural Network model is functioning satisfactorily. Estimated mass is achieved through recalling the trained Artificial Neural Network model on a set of waveforms resulting from applied masses over the operating range of the weighing platform. In this work the Least-Squares Fit (LSF) method for straight line and correlation rate R between the applied and estimated masses are used to investigate the accuracy of the estimated masses. The slope of the linear functions together with correlation rates R is computed for both simulation and experimental data. The numerical results confirm the correctness of neural network technique in estimating the applied mass m(t).

آمار یکساله:  

بازدید 18148

دانلود 9573 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1394
  • دوره: 

    68
  • شماره: 

    3
  • صفحات: 

    553-571
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    127
  • دانلود: 

    32
چکیده: 

برآورد و پیش بینی بارش اهمیت ویژه ای دارد. به دلیل نبود قطعیت، هیچ یک از مد ل های آماری و مفهومی نتوانسته اند به منزله یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیرا، به کاربرد موجک در آنالیز سیگنال ها و سری های زمانی در هیدرولوژی توجه شده است. در این تحقیق، سیگنال بارندگی با استفاده از موجک مادر منتخب تجزیه شد و داده های به دست آمده با دو روش برازش معادلات مستقیم و هیبرید عصبی- موجکی برای پیش بینی استفاده شد. روش مذکور در پیش بینی بارندگی ماهانه 33 سال ایستگاه زرین گل از سال آبی 1354 1355 تا 1386 1387 به کار گرفته شد و نتایج با یکدیگر مقایسه شد. نتایج نشان داد تجزیه سیگنال با موجک به طور قابل ملاحظه ای موجب افزایش همبستگی میان داده های مشاهداتی و محاسباتی می شو د و سیگنال بارندگی با دقت بیشتری پیش بینی می شود، به طوری که در روش مستقیم میزان R2 برابر با 0.74 و در روش هیبرید عصبی- موجکی در بهترین حالت برای چهار سطح تجزیه برابر 0.95 است. این نتیجه قدرت موجک در ساده سازی سیگنال و افزایش دقت پیش بینی داده های کاملا تصادفی بارندگی را در منطقه مورد نظر تایید می کند. ضمن آنکه، معنی دار نبودن تست F در سطح 90 درصد و بالاتر تایید دیگری بر این مطلب است.

آمار یکساله:  

بازدید 127

دانلود 32 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1383
  • دوره: 

    0
  • شماره: 

    6
تعامل: 
  • بازدید: 

    63
  • دانلود: 

    10
کلیدواژه: 
چکیده: 

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

آمار یکساله:  

بازدید 63

دانلود 10
litScript