دانلود شبيه سازي دماي خاک در اعماق مختلف با استفاده از الگوريتم ترکيبي شبکه عصبي ژنتيک (ANN-GA) و شبکه عصبي (ANN) (منطقه موردي: ايستگاه سينوپتيک زابل) تحت pdf

توضیحات پروژه

  شبيه سازي دماي خاک در اعماق مختلف با استفاده از الگوريتم ترکيبي شبکه عصبي ژنتيک (ANN-GA) و شبکه عصبي (ANN) (منطقه موردي: ايستگاه سينوپتيک زابل) تحت pdf دارای 10 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شبيه سازي دماي خاک در اعماق مختلف با استفاده از الگوريتم ترکيبي شبکه عصبي ژنتيک (ANN-GA) و شبکه عصبي (ANN) (منطقه موردي: ايستگاه سينوپتيک زابل) تحت pdf  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 شبيه سازي دماي خاک در اعماق مختلف با استفاده از الگوريتم ترکيبي شبکه عصبي ژنتيک (ANN-GA) و شبکه عصبي (ANN) (منطقه موردي: ايستگاه سينوپتيک زابل) تحت pdf،به هيچ وجه بهم ريختگي وجود ندارد

بخشی از متن شبيه سازي دماي خاک در اعماق مختلف با استفاده از الگوريتم ترکيبي شبکه عصبي ژنتيک (ANN-GA) و شبکه عصبي (ANN) (منطقه موردي: ايستگاه سينوپتيک زابل) تحت pdf :

چکیده مقاله:

تخمین دمای خاک هر منطقه یکی از مسائل مهم در برنامه ریزی طرح های مدیریت منابع آب و استقرار پوشش گیاهی در مناطقخشک می باشد که به روش های مختلفی همچون مدل های تجربی، نیمه تجربی و هوشمند قابل انجام است. از جمله مدلهای تجربیمورد استفاده دراین زمینه می توان به شبکه عصبی مصنوعی (ANN) و الگوریتم ترکیبی شبکه عصبی- ژنتیک اشاره نمود. هدف ازانجام این پژوهش مقایسه مدل شبکه عصبی با الگورریتم ترکیبی شبکه عصبی- ژنتیک است. بدین منظور پس از با جمع آوری داده های روزانه دمای خاک در اعماق 50، 30، 20، 10، 5 و 100 سانتی متری موجود در ایستگاه سینوپتیک در سال های 1393-1390، داده های دردسترس به نسبت 60، 20 و 20 درصد به روش تصادفی به سه مجموعه آموزش، آزمون و اعتبارسنجی تقسیم خواهد شد. به منظور دستیابی آسانتر به تعیین ترکیب بهینه پارامترهای موثر از جمله دمای حداکثر، دمای حداقل، ساعات آفتابی و تبخیر درواسنجی ضرایب ANN از الگوریتم ترکیبی (ANN-GA) به عنوان یک ابزار شبیه سازی استفاده گردیده است. نتایج شبیه سازی توسط مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE) و میانگین انحراف خطا (MAE) مورد ارزیابی قرار گرفته است. مشخصات شبکه با استفاده از بسته نرم افزاری MATLAB تعیین شد. نتایج نشان داد در شبکه عصبی نسبت به الگوریتم ترکیبی شبکه عصبی- ژنتیک از میزان خطا بیشتر و دقت کمتری برخوردار است از دلایل آن می توان به بالا بودن دقت و کارایی بالا مدلالگوریتم ترکیبی شبکه عصبی- ژنتیک نام برد.

برای دریافت پروژه اینجا کلیک کنید