با سحافایل در خدمت شما هستیم با «پیشینه پژوهشی و تحقیق و مبانی نظری بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزههای آبخیز» که بطور کامل و جامع به این مبحث پرداخته و نیاز شما را به هرگونه جستجوی بیشتری برطرف خواهد نمود.
فهرست محتوا
فهرست محتوا
پیشینه تحقیق
2-1- زمینه تاریخی
2-2- مطالعات داخل کشور
2-3- مطالعات خارج کشور
منابع و مآخذ
منابع فارسی
منابع لاتین
– زمینه تاریخی:
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیستها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکههای عصبی مصنوعی است. این مدل فرضیههایی در مورد عملکرد نورونها ارائه میکند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است. نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکههای عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند. نه تنها نروفیزیولوژیستها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکههای عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال 1960 توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکههای عصبی به کار گرفته شده در مسائل واقعی بودند.ورباس در سال 1974 شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفتهایی که در سال 1970 تا 1980 بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشتههای متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شدهاست.
فهرست منابع
منابع فارسی
1- اکبر پور، م.، م. ب. رهنما، و بارانی، غ. ع. 1382. مقايسة شبكة عصبي مصنوعي و مدل HEC-HMS در فرايند بارندگي رواناب. چهارمین کنفرانس هیدرولیک ایران، دانشگده مهندسی دانشگاه شیراز.
2- اعلمی، م. ت. وحسین زاده، ح. 1389. مدل سازي فرآیند بارش – رواناب در حوضه لیقوان چاي با استفاده از نرون شرطی آستانه دمایی. مجله دانش آب و خاک، جلد1، شماره2.
3- داننده مهر، ع. و مجدزاده طباطبایی، م. ر. 1389. بررسی تاثیر توالی دبی روزانه در پیشبینی جریان رودخانهها با استفاده از برنامه ژنیک. نشریه آب و خاک، جلد 24، شماره 2، ص335- 333.
4- دستورانی، م. ت.، ح. شریف دارائی، ع. طالبی، و مقدم نیا، ع. 1390. کارايي شبکه هاي عصبي مصنوعي و سيستم استنتاج عصبي فازي تطبيقي در مدل سازي بارش- رواناب در حوضه آبخيز سد زاينده رود. شماره4.
5- رضایی، ع.، م. مهدوی، ک. لوکس، س. فیض نیا، ومهدیان، م. ح. 1386. مدل سازی منطقه ای دبی های اوج در زیر حوزه های آبخیز سد سفیدرودبا استفاده از شبکه های عصبی مصنوعی. علوم و فنون کشاورزی در منابع طبیعی، سال 11، شماره1.
6- زارع ابیانه، ح. و بیات ورکشی، م. 1389. ارزيابي مدلهاي هوشمند عصبي و تجربي در تخمين رواناب سالانه. نشريه آب و خاك ،جلد 25 ، شماره 2 ،379-365.
7- شادمانی، م.، ص. معروفی، ک. محمدی، و سبزواری، ع. ا. 1390. مدل سازي منطقه اي دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی. مجله پژوهش های آب و خاک، جلد18، شماره4.
8- محرمپور، م.، ع. محرابی، م. کاتوزی، وصادق مقدم، م. ر. 1390. پیش بینی دبی رودخانه با استفاده از شبکه های عصبی مصنوعی. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیر کبیر، تهران.
9- نوری، م.، س. م. میر حسینی، ک. زینال زاده، و رهنما، م. ب. 1386. الگوي جديد بارش رواناب حوضة آب ريز هليل رود با استفاده از مدل هيبريد شبکة عصبي موجکي. نشریه زمین شناسی مهندسی، جلد2، شماره2.
10- نصیری، ع. و یمانی، م.، 1388. تجزیه و تحلیل شبکههای عصبی مصنوعی ژئومورفولوژیکی در برآورد رواناب مستقیم زیر حوزه امامه جاجرود. مجله پژوهشهای جغرافیای طبیعی، شماره 68. ص 44-33.
11- نصری، م.، ر. مدرس و دستورانی،م. ت.،1388. اعتبارسنجی مدل شبکه عصبی رابطه بارندگی-رواناب در حوزه آبریز سد زاینده رود. مجله پژوهش و سازندگی، شماره 88 .
منابع لاتین:
12- Cannon, A.J., Whitfield, P.H., 2002. Downscaling recent stream-flow conditions in British Columbia, Canada using ensemble neural networks. J. Hydrol. 259, 136-151.
13- Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y., and Wilby, R.L. 2006. Flood estimation at ungauged sites using artificial neural networks. J. Hydrol. 319:391-409.
14-Kerh, T., and Lee, C.S. 2006. Neural networks forecasting of flood discharge at an unmeasured station using river upstream information. J. Adv. Eng. Software.37:533-543.
15- Sarangi, A., Bhattacharya, A.K., 2005. Comparison of artificial neural network and regression models for sediment loss prediction from Banha watershed in India. Water technology Center, IARI, Pusa Campus, New Dehli 110012, India.
16- Sudheer, K.P., Gosain, A.K., Ramasastri, K.S., 2002. A data-driven algorithm for constructing artificial neural network rainfall-runoff models. Hydrol. Process.16, 1325-1330.
17- Tokar S.A., and John Son Pa. 1999. Rainfall-runoff modeling using artificial neural netyworks. J. Hydrol. Eng. 4(3): 232-239.
- به مبلغ فوق 1 درصد به عنوان کارمزد از طرف درگاه پرداخت افزوده خواهد شد.
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.