لینک پرداخت و دانلود در "پایین مطلب"
فرمت فایل: word (قابل ویرایش و آماده پرینت)
تعداد صفحات:19
- مقدمه
با توجه به اهمیت و حساسیت امر مهار آب‌های سطحی خصوصاً در کشور ما که اکثر رودخانه‌های مناطق مختلف فصلی بوده و کمبود آبی که در پهنه وسیعی از کشور وجود دارد ، نیاز به شناسایی و به مدل در‌آوردن رفتار رودها و شریان‌های آبی جهت برنامه‌ریزی‌های بلندمدت و استفاده بیشتر و بهتر از پتانسیل‌های آنها عمیقاً احساس می‌شود . جدیدالتاسیس بودن بیشتر ایستگاه‌های هیدرومتری ، نواقص موجود در آمار اکثر این ایستگاه‌ها ، قرارگرفتن بیشتر رودها در مناطق خشک ، وضعیت بحرانی برداشت آب‌های زیرزمینی و لزوم توجه بیشتر به آب‌های سطحی همه و همه دلایل بیشتر و ظریف‌تری می‌باشد که به مقوله پیش‌بینی و تولید آمار مصنوعی در حوزه‌های آبریز کشورمان جلوه و نمودی کامل‌تر می‌بخشد .
روش‌های متداول آماری و احتمالی بر پایه روابط و فرمول‌های صرفاً ریاضی که به طور اخص به پیش‌بینی سری‌های زمانی می‌پردازد ، از دیرباز مورد توجه مهندسین علوم آب قرار گرفته است . آنها با دست‌مایه قراردادن این بخش از علم آمار به تحلیل ، بررسی و شناخت رفتار رودخانه‌ها می‌پرداختند . در این راستا نرم‌افزارهای مختلفی نیز تهیه وتنظیم شده که از مهم‌ترین و بارزترین آنها می‌توان SPIGOT و HEC4 را نام برد .
شبکه عصبی مصنوعی[1] نامی نوین در علوم مهندسی است که به‌طور ابتدایی و آغازین درسال 1962 توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال 1986 توسط رومل‌هارت و مک‌کلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون‌های موجود در مغز انسان سعی می‌کند تا از طریق توابع تعریف شده ریاضی رفتار درون‌سلولی نرون‌های مغز را شبیه‌سازی کند و از طریق وزن‌های محاسباتی موجود در خطوط ارتباطی نرون‌های مصنوعی ، عملکرد سیناپسی را در نرون‌های طبیعی به مدل در آورد. ماهیت و ذات تجربی و منعطف این روش باعث می‌شود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آنها مشاهده می‌شود و از رفتاری غیرخطی و لجام‌گسیخته برخوردار هستند ، به خوبی قابل استفاده باشد .
2- شبکه های عصبی مصنوعی
2-1- مفاهیم پایه در شبکه های عصبی مصنوعی
یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه می‌باشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .
با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :
- نرون یا فعال است یا غیر فعال
- خروجی تنها به ورودی‌های نرون بستگی دارد
- ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد]1[.
2-2- شبکه عصبی پرسپترون[2] ساده
فرانک روزن بلات ، با اتصال این نرون‌ها به طریقی ساده پرسپترون را ایجاد و ابداع کرد ، و برای نخستین بار این مدل را در کامپیوترهای دیجیتال شبیه‌سازی و آنها را به طور رسمی تحلیل نمود]1[.
2-3- شبکه عصبی پرسپترون چند لایه ) MLP ( [3]
در بسیاری از مسائل پیچیدة ریاضی که به حل معادلات بغرنج غیر خطی منجر می‌شود ، یک شبکة پرسپترون چند لایه می‌تواند به سادگی با تعریف اوزان و توابع مناسب مورد استفاده قرارگیرد . توابع فعالیت مختلفی به فراخور اسلوب مسئله در نرون ها مورد استفاده قرار می‌گیرد . در این نوع شبکه‌ها از یک لایة ورودی جهت اعمال ورودی‌های مسئله یک لایة پنهان و یک لایة خروجی که نهایتاً پاسخ‌های مسئله را ارائه می‌نمایند ، استفاده می‌شود.
گره‌هایی که در لایة ورودی هستند ، نرون‌های حسی[4] و گره‌های لایة خروجی ، نرون‌های پاسخ دهنده[5] هستند . در لایة پنهان نیز ، نرون‌های پنهان[6] وجود دارند]2[.
[1] - Artificial Neural Network
[2] -Perceptron
[3] -Multilayer Perceptron
[4] -Sensory
[5] -Responding
[6] -Hidden
مقاله کاربرد آمار و احتمالات در مدیریت تنش سرما و یخ زدگی