RT - Journal Article T1 - Application of Two Methods of Artificial Neural Network MLP, RBF for Estimation of Wind of Sediments (Case Study: Korsya of Darab Plain) JF - E.E.R.Journal YR - 2014 JO - E.E.R.Journal VO - 3 IS - 4 UR - http://magazine.hormozgan.ac.ir/article-1-176-fa.html SP - 1 EP - 16 K1 - Neural Network MLP K1 - Neural Network RBF K1 - Simulation K1 - Sediment Traps K1 - Sediment Wind AB - 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. LA eng UL http://magazine.hormozgan.ac.ir/article-1-176-fa.html M3 ER -