جستجو در مقالات منتشر شده


3 نتیجه برای حلبیان

امیرحسین حلبیان،
دوره 9، شماره 9 - ( جلد 11 شماره 14- 1388 )
چکیده

بارش یکی از مهمترین داده های ورودی به سیستم های هیدرولوژیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیرزمینی، سیلاب، رسوب و ... لازم و ضروری است. هدف این مقاله پیش آگاهی مقادیر بارش ماهانه یزد با استفاده از شبکه های عصبی مصنوعی است. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1950-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتاً بهتری را ارائه می کند و همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. لازم به ذکر است که تصادفی کردن داده ها برای آموزش شبکه باعث افزایش دقت و بهتر بودن مدل می شود.
امیرحسین حلبیان،
دوره 11، شماره 21 - ( 6-1390 )
چکیده

در این پژوهش، آرایش گردشی جو در تراز 500 هکتوپاسکال با استفاده از داده‌های روزانه ارتفاع ژئوپتانسیل ساعتGMT12 پایگاه داده‌(NCEP/NCAR) و با تفکیک مکانی 5/2×5/2 درجه قوسی در یک دوره زمانی 55 ساله شامل 20089 روز از اول ژانویه سال 1951(یازدهم دی‌ماه 1329) تا 31 دسامبر سال 2005 (دهم دی‌ماه 1384) بررسی گردید. ابتدا برای تحلیل آرایش فضایی و نحوه تعامل این الگوها، میانگین ارتفاع ژئوپتانسیل ساعتGMT12 برای تمام روزهای تقویم خورشیدی محاسبه گردید. آنگاه، یک تحلیل خوشه‌ای پایگانی انباشتی به روش ادغام «وارد» بر روی این مقادیر انجام گرفت. بر پایه این تحلیل آشکار گردید که پنج آرایش گردشی در قالب دوره¬های سرد، گذار و گرم در نیمکره شمالی قابل تشخیص است. آرایش گردشی دوره سرد سال در مجموع، تضعیف حداکثری پرفشار جنب حاره و سیطره بادهای غربی همراه با امواج بلند رزبای را بر ایران آشکار می‌سازد. آرایش گردشی دوره گرم سال نیز اوج کنش پرفشار جنب حاره و حاکمیت این سامانه را بر ایران نشان می‌دهد.
امیرحسین حلبیان، محمد دارند،
دوره 12، شماره 26 - ( 9-1391 )
چکیده

بارش مهمترین سنجه­ی هواشناسی و اقلیمی است. در این پژوهش به منظور پیش­بینی بارش اصفهان از داده های بارش ماهانه­ی ایستگاه همدید اصفهان در بازه­ی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیش­بینی آن بهره گرفته شد. در این ارتباط، 70 درصد داده­ها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالت­ها و معماری شبکه، مدل نسبتاً بهتری را ارائه می­کند. به بیانی دیگر، داده­های پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن داده­ها تفاوتی چندانی با مرتب بودن داده­ها برای آموزش شبکه ندارد.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb