پروژه کاربرد آمار و احتمالات در مدیریت تنش سرما و یخ زدگی
banner-promise

لينک دانلود فايل پس از پرداخت وجه به ايميلتان ارسال و همچنين در فاکتور شما فعال مي شود.

در صورت داشتن هر گونه سوالي در مورد محصولات سايت ميتوانيد با شماره 09303735383 تماس بگيريد.

در تمام لیست ها شماره تلفن داخل فایل اصلی خریداری شده موجود است.

تماس از طریق تلگرام

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[.
دسته: , برچسب: , , , , , , , , , , , , , , , , , , , , , , , , , ,