مقایسه مدل های شبیه سازی سیستم استنتاج تطبیقی عصبی– فازی و شبکه عصبی مصنوعی در تخمین تبخیر و تعرق گیاه مرجع و تبخیر و تعرق گیاه سیر

thesis
abstract

در این تحقیق از روش های مبتنی بر هوش مصنوعی شامل شبکه عصبی مصنوعی (ann)، عصبی-فازی در قالب دو روش anfis و canfis و روش ترکیبی عصبی با الگوریتم ژنتیک (annga) برای مدل سازی تبخیر تعرق گیاه مرجع (et0) و گیاه سیر (etc) استفاده شد. نتایج به دست آمده از مدل های هوشمند با داده های سال های 1376 و 1377 لایسیمتر زهکش دار برای گیاه مرجع چمن و سال های 1387 و 1388 برای گیاه سیر واسنجی شد. داده های هواشناسی مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، ساعات آفتابی و سرعت باد، در منطقه نیمه خشک سرد همدان بودند. ساختار شبکه ها به گونه ای طراحی شد تا ضمن مقایسه عملکرد آرایه های متفاوت، تاثیر مشخصات و رفتار دینامیکی سیستم را در مدل سازی نشان دهند. مقایسه کارایی مدل های هوشمند نشان از برتری روش تلفیقی عصبی- ژنتیک در مقایسه با دو روش ann و canfis بود به عبارت دیگر بهینه سازی شبکه عصبی مصنوعی موفق تر از منطق فازی عمل نمود. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در هیچ یک از ساختارها سبب بهبود نتایج شبکه عصبی مصنوعی نشد و حتی با اختلاف ناچیز نتایج شبکه عصبی مصنوعی در تخمین تبخیر تعرق بهتر از روش عصبی- فازی بود. همچنین عملکرد شبکه عصبی مصنوعی با ساختار پس انتشار پیش خور (ffbp) نسبت به ساختار پس انتشار پیش رو (cfbp) مناسب ارزیابی شد. ضمن آن که در کلیه ساختارهای مدل های هوشمند عصبی، قانون آموزش لونبرگ مارکوات با تابع محرک سیگموئید منجر به نتایج دقیق تری نسبت به سایر توابع و قوانین آموزشی شد. همچنین بررسی نتایج نشان از کفایت یک لایه پنهان در طراحی شبکه عصبی مصنوعی برای پیش بینی تبخیر تعرق بود. در مدل anfis نیز تعداد دو تابع عضویت برای پیش بینی مناسب تشخیص داده شد. در مجموع آزمون مدل های هوش مصنوعی با داده های کاملاً مستقل از داده های مورد استفاده در آموزش شبکه نشان داد که نتایج مدل سازی برای این نوع فرآیند دینامیکی غیرخطی نسبت به روش های تجربی کاملاً قابل اعتماد است.

similar resources

تخمین تبخیر و تعرق مرجع روزانه به کمک مدل درخت تصمیمM5 و شبکه عصبی مصنوعی

تعیین دقیق آب مصرفی گیاه باعث افزایش راندمان آبیاری و بهبود مدیریت آب در مزرعه را دنبال دارد. تبخیر و تعرق یک از اجزای اصلی چرخه­ی هیدرولوژی محسوب می­شود و برآورد دقیق آن در مدیریت منابع آب نقش اساسی دارد. در این تحقیق به ارزیابی مدل درختی  M5  و مدل شبکه­ی عصبی تحت شرایط مختلف حداقل داده­ی اقلیمی در یک منطقه­ی خشک سرد پرداخته شد. داده­های مورد استفاده در این تحقیق شامل دمای حداقل و حداکثر، رطو...

full text

تخمین تبخیر- تعرق گیاه مرجع درون گل‌خانه با استفاده از شبکه‌های عصبی مصنوعی

امروزه شبکه‌های عصبی مصنوعی کاربرد بسیاری در مسائل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده‌اند. در این پژوهش جهت تخمین تبخیر- تعرق مرجع داخل گل‌خانه با استفاده از شبکه‌های عصبی مصنوعی، از داده‌های هواشناسی اندازه‌گیری شده داخل گل‌خانه و همچنین داده‌های اندازه‌گیری شده خارج گل‌خانه استفاده گردید. در این پژوهش از شبکه‌های عصبی مصنوعی با ساختار ...

full text

ارزیابی کارآیی دو نرم‌افزار شبکه عصبی مصنوعی در پیش‌بینی تبخیر- تعرق گیاه مرجع

در این تحقیق، کارائی دو نرم­افزارشبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق گیاه مرجع (ET0) بررسی گردید. بدین منظور از داده­های 2 سال لایسیمتری به عنوان ارقام شاهد برای ارزیابی استفاده شده و دو نرم­افزار مرسوم NS وNW  با قابلیت به­کارگیری آلگوریتم­های متفاوت، به­کار رفت. جهت ارزیابی اجرای دو نرم­افزار برای آرایش­ها، قواعد یادگیری و توابع محرک مختلف، از شاخص­های آماری جذر میانگین مربعات خطا (RM...

full text

مقایسه روش‌های سری زمانی و شبکه عصبی مصنوعی در پیش‌بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)

     تبخیر-تعرق یکیازمؤلفه­هایمهمدرمصرفمنابعآب در بخش کشاورزیمی­باشد. لذا ارائه روشی که پیش­بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می­تواند در اخذتصمیم­ بهینهبرایبرنامه­ریزی منابع آب کمککند. دراینتحقیق،روش­های سری زمانی و شبکه­های عصبی مصنوعی درپیش­بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل­های A...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه بوعلی سینا - دانشکده علوم کشاورزی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023