سال 3، شماره 4 - ( زمستان 92 1392 )                   جلد 3 شماره 4 صفحات 1-16 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Application of Two Methods of Artificial Neural Network MLP, RBF for Estimation of Wind of Sediments (Case Study: Korsya of Darab Plain). E.E.R. . 2014; 3 (4) :1-16
URL: http://magazine.hormozgan.ac.ir/article-1-176-fa.html
شکاری محمدرضا، ساداتی نژاد سیدجواد، ولی عباسعلی، قاسمیه هدی، قضاوی رضا. کاربرد دو روش شبکه عصبی مصنوعی MLP،RBF در برآورد رسوبات بادی (مطالعه موردی: دشت کرسیا داراب). فصل‌نامه علمی- پژوهشی پژوهش‌های فرسایش محیطی. 1392; 3 (4) :1-16

URL: http://magazine.hormozgan.ac.ir/article-1-176-fa.html


دانشجوی دکتری بیابان‌زدایی دانشگاه کاشان ، shekari.reza@gmail.com
چکیده:   (5077 مشاهده)

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.

متن کامل [PDF 465 kb]   (999 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: ۱۳۹۳/۱۰/۲۱ | انتشار: ۱۳۹۳/۱۰/۲۱

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله پژوهش‌های فرسایش محیطی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Environmental Erosion Research Journal

Designed & Developed by : Yektaweb