فایل ورد مقاله مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبکه عصبي براي مدلسازي هاي هيدورلوژيکي

لینک دانلود

 فایل ورد مقاله مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبکه عصبي براي مدلسازي هاي هيدورلوژيکي دارای 12 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد مقاله مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبکه عصبي براي مدلسازي هاي هيدورلوژيکي  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد مقاله مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبکه عصبي براي مدلسازي هاي هيدورلوژيکي،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد مقاله مدل سري زماني SARIMAX بهسازي شده بر مبناي روش شبکه عصبي براي مدلسازي هاي هيدورلوژيکي :


محل انتشار: هفتمین کنگره ملی مهندسی عمران
تعداد صفحات:12
نویسنده(ها):
مهدی کماسی – استادیار گروه عمران دانشگاه آیت اله العظمی بروجردی)ره(
وحید نورانی – دانشیار دانشکده عمران دانشگاه تبریز

چکیده:
پیشبینی صحیح فرآیندهای هیدرولوژیکی میتواند کمک شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. ویژگی های غیرخطی، عدم قطعیت ذاتی فرآیندهای استوکاستیک و پیچیده بودن مدلهای فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدلهای جعبه سیاه از جمله مدل سری زمانی و مدل شبکه عصبی مصنوعی روی آورند. در این مقاله یک مدل ترکیبی متشکل ازدو مدل شبکه عصبی و مدل خطی سری زمانی فصلی ارائه گردیده است. در این مدل ترکیبی نخست سری زمانی بارش– رواناب با الگوی سری زمانی فصلی مدلسازی شده و سپس جهت برآورد باقیمانده های سری زمانی از شبکههای عصبی بهره گیری شده تا بتوان مقدار پیش بینی رواناب را به مقدار واقعی نزدیک تر نمود. نتایج بدست آمده از این مدل ترکیبی با مدل شبکه عصبی یگانه مورد ارزیابی قرار گرفت که نتیجه کلی بیانگربرتری مدل ترکیبی می باشد. همچنین از دیگر ویژگی های این مدل، قابلیت مناسب آن در رصد نمودن نقاط اکسترمم سری زمانی است بنابراین می توان گفت که مدل ترکیبی یاد شده یک مدل نیمه خطی فصلی از فرآیندهای استوکاستیک را ارائه میدهد که میتواند راهکار مناسبی برای پیشبینی فرآیند سرهای زمانی هیدرولوژیکی باشد

توضیحات بیشتر