این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های فرسایش محیطی، جلد ۳، شماره ۴، صفحات ۱-۱۶
عنوان فارسی کاربرد دو روش شبکه عصبی مصنوعی MLP،RBF در برآورد رسوبات بادی (مطالعه موردی: دشت کرسیا داراب)
چکیده فارسی مقاله به دلیل عدم وجود ایستگاه‌های سنجش میزان رسوب در فرایند فرسایش بادی، تخمین میزان بار رسوب در زمینه این فرایند امری ضروری و مهم تلقی می‌شود. شبکه‌های عصبی مصنوعی می‌توانند به عنوان ابزاری کارآمد جهت برآورد و شبیه‌سازی رسوبات موثر واقع شوند. در این تحقیق از دو نوع شبکه عصبی مصنوعی پرسپترون چند لایه و شبکه عصبی شعاعی برای برآورد و برازش مقدار رسوبات بادی در منطقه کرسیا شهرستان داراب استفاده گردید. در این شبیه‌سازی که با دو روش پرکاربرد شبکه عصبی پرسپترون چند لایه و شبکه عصبی شعاعی صورت گرفت، در ابتدای امر میزان رسوبات بادی توسط تله‌های رسوب‌گیر نمونه‌برداری شد و با پارامترهای اقلیمی نظیر متوسط سرعت باد، تبخیر، بارندگی، رطوبت نسبی، دمای کمینه، دمای بیشینه، دمای متوسط و درصد پوشش گیاهی به ترتیب به عنوان متغیر وابسته و مستقل ورودی به مدل جهت شبیه‌سازی رسوبات انتخاب گردید. نتایج حاصل از عملکرد مدل­ها نشان داد که شبکه عصبی پرسپترون چند لایه (پیشخور با الگوریتم پس انتشار خطا) با تکنیک یادگیری گرادیان دوگانه درجه‌بندی نسبت به شبکه عصبی شعاعی به ترتیب با ضریب تعیین 95/0 و ریشه میانگین مربعات خطای 02/0 و ضریب تعیین 90/. و ریشه میانگین مربعات خطای 40/0 در برآورد رسوبات بادی از دقت و کارایی بالاتری برخوردارمی باشد. البته لازم به ذکر است که مزیت مهم شبکه عصبی مصنوعی پرسپترون چند لایه انعطاف‌پذیری بیشتر نسبت به شبکه عصبی شعاعی می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of Two Methods of Artificial Neural Network MLP, RBF for Estimation of Wind of Sediments (Case Study: Korsya of Darab Plain)
چکیده انگلیسی مقاله The lack of sediment gauging stations in the process of wind erosion, caused of estimate of sediment be process of necessary and important. Artificial neural networks can be used as an efficient and effective of tool to estimate and simulate sediments. In this paper two model multi-layer perceptron neural networks and radial neural network was used to estimate the amount of sediment in Korsya of Darab city. The simulations were performed with two methods common artificial neural network Initially, the sediment was sampled with sediment traps afterward by climatic factors such as average wind speed, evaporation, precipitation, relative humidity, minimum temperature, maximum temperature, average temperature and Percentage of vegetation, respectively, as the dependent variable and independent input to the model was chosen to simulate the sediment. The Results of the performance model show that MLP neural network (feedforward Back propagation algorithm) with learning technique of Calibrated dual gradient Compared to radial Neural Network Respectively with coefficient of determination .95 , Roots mean square error .02 and coefficient of determination .90 , Roots mean square error .40 for estimate of wind deposits were the higher efficiency and accurate. Course, it should be noted that an important advantage of the artificial neural network Multilayer Perceptron to Neural Network Radial is more flexibility.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدرضا شکاری | mohammad reza
دانشگاه کاشان
سازمان اصلی تایید شده: دانشگاه کاشان (Kashan university)

سیدجواد ساداتی نژاد | seyed javad
دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

عباسعلی ولی |
دانشگاه کاشان
سازمان اصلی تایید شده: دانشگاه کاشان (Kashan university)

هدی قاسمیه |
دانشگاه کاشان
سازمان اصلی تایید شده: دانشگاه کاشان (Kashan university)

رضا قضاوی |
، دانشگاه کاشان
سازمان اصلی تایید شده: دانشگاه کاشان (Kashan university)

نشانی اینترنتی http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-1-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1412/article-1412-243632.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات