لینک دانلود فایل پس از پرداخت وجه به ایمیلتان ارسال و همچنین در فاکتور شما فعال می شود.

در صورت داشتن هر گونه سوالی در مورد محصولات سایت میتوانید با شماره 09303735383 تماس بگیرید.

banner-promise

پروژه کاربرد آمار و احتمالات در مدیریت تنش سرما و یخ زدگی

 شناسنامه محصول

نوع فایل  ورد-Word قابل ویرایش و پرینت با کیفیت بالا
نحوه ارسال ایمیل – دانلود از سایت
تعداد صفحات  ۱۸ صفحه

1,500 تومان

  • توضیحات

توضیحات محصول

فهرست:

۱- مقدمه

۲-شبکه های عصبی مصنوعی

مفاهیم پایه در شبکه های عصبی مصنوعی

شبکه عصبی پرسپترون[۱] ساده

شبکه عصبی پرسپترون چند لایه ) MLP (

۳- شرح تحقیق

استفاده از داده‌های ماهیانه

استفاده از داده‌های روزانه

فهرست مراجع

مقدمه

       با توجه به اهمیت و حساسیت امر مهار آب‌های سطحی خصوصاً در کشور ما که اکثر رودخانه‌های مناطق مختلف فصلی بوده و کمبود آبی که در پهنه وسیعی از کشور وجود دارد ، نیاز به شناسایی و به مدل در‌آوردن رفتار رودها و شریان‌های آبی جهت برنامه‌ریزی‌های بلندمدت و استفاده بیشتر و بهتر از پتانسیل‌های آنها عمیقاً احساس می‌شود . جدیدالتاسیس بودن بیشتر ایستگاه‌های هیدرومتری ، نواقص موجود در آمار اکثر این ایستگاه‌ها ، قرارگرفتن بیشتر رودها در مناطق خشک ، وضعیت بحرانی برداشت آب‌های زیرزمینی و لزوم توجه بیشتر به آب‌های سطحی همه‌ و همه دلایل بیشتر و ظریف‌تری می‌باشد که به مقوله پیش‌بینی و تولید آمار مصنوعی‌ در حوزه‌های آبریز کشورمان جلوه و نمودی کامل‌تر می‌بخشد .

     روش‌های متداول آماری و احتمالی بر پایه روابط و فرمول‌های صرفاً ریاضی که به طور اخص به پیش‌بینی سری‌های زمانی می‌پردازد ، از دیرباز مورد توجه مهندسین علوم آب قرار گرفته است . آنها با دست‌مایه قراردادن این بخش از علم آمار به تحلیل ، بررسی و شناخت رفتار رودخانه‌ها می‌پرداختند . در این راستا نرم‌افزارهای مختلفی نیز تهیه وتنظیم شده که از مهم‌ترین و بارزترین آن‌ها می‌توان SPIGOT و HEC4 را نام برد .

       شبکه عصبی مصنوعی[۱] نامی نوین در علوم مهندسی است که به‌طور ابتدایی و آغازین درسال ۱۹۶۲ توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال ۱۹۸۶ توسط رومل‌هارت و مک‌کلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون‌های موجود در مغز انسان سعی می‌کند تا از طریق توابع تعریف شده ریاضی رفتار درون‌سلولی نرون‌های مغز را شبیه‌سازی کند و از طریق وزن‌های محاسباتی موجود در خطوط ارتباطی نرون‌های مصنوعی ، عملکرد سیناپسی را در نرون‌های طبیعی به مدل در آورد. ماهیت و ذات تجربی و منعطف این روش باعث می‌شود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آن‌ها مشاهده می‌شود و از رفتاری غیرخطی و لجام‌گسیخته برخوردار هستند ، به خوبی قابل استفاده باشد .

۲- شبکه های عصبی مصنوعی

۲-۱- مفاهیم پایه در شبکه های عصبی مصنوعی

   یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه می‌باشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .

   با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :

  1. نرون یا فعال است یا غیر فعال
  2. خروجی تنها به ورودی‌های نرون بستگی دارد
  3. ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد]۱[.

آخرین ورودی ها

دسته: , برچسب: , , , , , , , , , , , , , , , , , , , , , , , , , ,