Are Nested Networks More Robust to Disturbance? A Test Using Epiphyte-Tree, Comensalistic Networks

Are Nested Networks More Robust to Disturbance? A Test Using Epiphyte-Tree, Comensalistic Networks

Recent research on ecological networks suggests that mutualistic networks are more nested than antagonistic ones and, as a result, they are more robust against chains of extinctions caused by disturbances. We evaluate whether mutualistic networks are more nested than comensalistic and antagonistic networks, and whether highly nested, host-epiphyte comensalistic networks fit the prediction of hi...

fault location in power distribution networks using matching algorithm

چکیده رساله/پایان نامه : تاکنون روش‏های متعددی در ارتباط با مکان یابی خطا در شبکه انتقال ارائه شده است. استفاده مستقیم از این روش‏ها در شبکه توزیع به دلایلی همچون وجود انشعاب‏های متعدد، غیر یکنواختی فیدرها (خطوط کابلی، خطوط هوایی، سطح مقطع متفاوت انشعاب ها و تنه اصلی فیدر)، نامتعادلی (عدم جابجا شدگی خطوط، بارهای تک‏فاز و سه فاز)، ثابت نبودن بار و اندازه گیری مقادیر ولتاژ و جریان فقط در ابتدای...

rodbar dam slope stability analysis using neural networks

در این تحقیق شبکه عصبی مصنوعی برای پیش بینی مقادیر ضریب اطمینان و فاکتور ایمنی بحرانی سدهای خاکی ناهمگن ضمن در نظر گرفتن تاثیر نیروی اینرسی زلزله ارائه شده است. ورودی های مدل شامل ارتفاع سد و زاویه شیب بالا دست، ضریب زلزله، ارتفاع آب، پارامترهای مقاومتی هسته و پوسته و خروجی های آن شامل ضریب اطمینان می شود. مهمترین پارامتر مورد نظر در تحلیل پایداری شیب، بدست آوردن فاکتور ایمنی است. در این تحقیق ...

Using neural networks to predict road roughness

When a vehicle travels on a road, different parts of vehicle vibrate because of road roughness. This paper proposes a method to predict road roughness based on vertical acceleration using neural networks. To this end, first, the suspension system and road roughness are expressed mathematically. Then, the suspension system model will identified using neural networks. The results of this step sho...

Maximum entropy networks are more controllable than preferential attachment networks