بررسی تأثیر تعدیل دامنه تغییرات داده ها بر کارایی مدل شبکه عصبی مصنوعی و درخت تصمیم رگرسیونی در پیش بینی خشکسالی
چکیده(به انگلیسی؛ چکیدهی فارسی در دسترس نیست)
normal 0 false false false en-us x-none ar-sa
normal 0 false false false en-us x-none ar-sa
Normal 0 false false false EN-US X-NONE AR-SA خشکسالی یکی از اثرات تغییر سامانه اقلیمی است. پیش بینی خشکسالی نقش مهمی در اعمال روش های مؤثر مدیریت منابع آب ایفا می کند. روش های مختلفی برای مطالعه خشکسالی وجود دارد. روش تحلیل داده های بارندگی، جزء عمومی روشهای تحلیل خشکسالی به شم
شاخص کیفیت هوا ابزار کلیدی جهت آگاهی از کیفیت هوا، نحوۀ اثر آلودگی هوا بر سلامت و روشهای محافظتی در برابر آلودگی هوا است. هدف اصلی این تحقیق مدلسازی و برآورد شاخص کیفیت هوا از طریق شبکه عصبی مصنوعی، درخت تصمیم، رگرسیون خطی چندگانه و رگرسیون مؤلفههای اصلی است. جهت محاسبه شاخص ک
در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت
در سالهای اخیر مدیریت سود در پژوهش های دانشگاهی توجه زیادی را به خود جلب کرده است. هدف این پژوهش پیش بینی مدیریت سود از طریق اقلام تعهدی اختیاری مبتنی بر مدل جونز تعدیل شده است. در این پژوهش از دو مدل شبکه عصبی مصنوعی و مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی به عنوان الگوی موفقجهت
پیش¬بینی صحیح دبی سیل، برای طراحی سازههای هیدرولیکی، کاهش خطر شکست و به حداقل¬رساندن آسیبهای محیط زیستی پاییندست، از اهمیت زیادی برخوردار است. هدف از انجام این مطالعه، بررسی کاربرد روشهای یادگیری ماشین برای تحلیل منطقهای فراوانی سیلاب است. برای دستیابی به این هدف، 18 پارامتر
مقاله حاضر با هدف بررسی کاربرد مدلهای هوش مصنوعی در برنامهریزی آموزشی و پیشبینی عملکرد تحصیلی دانشجویان و بهینهسازی یادگیری شخصیسازیشده انجام شده است. مقایسه میان شبکه عصبی مصنوعی و رگرسیون خطی بهمنظور شناسایی مدل بهینه در تحلیل دادههای آموزشی صورت گرفته است. این پژوهش از