نتایج جستجو برای: شبکههای عصبی مصنوعی ann

تعداد نتایج: 46401  

مدیریت و تأمین آب شهری، همواره یکی از دغدغه های اصلی مدیران و برنامه ریزان شهری بوده است. شناخت تقاضای آب شهری و عوامل مؤثر بر آن، از مولفه های مهم در مدیریت و کنترل مصرف آب شهری محسوب می شود. در تحقیق حاضر مدلی خبره برای پیش بینی تقاضای آب شهری ایلام با استفاده از شبکۀ عصبی مصنوعی توسعه یافته است. مدل خبره، مبتنی بر عوامل مؤثری است که از درآمد سالانه ( x1)، ناحیه مصرف(x2)...

ژورنال: :ماهنامه شباک (شبکه اطلاعات کنفرانس های کشور) 0
منیژه ملائی manijeh molaee سودابه پارسا sudabeh parsa

امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاریهای کلان در بازارها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی، با درجه بالایی از دقت به کار برده می شوند. امروزه میتوان با استفاده از تکنیک های داده کاوی و شبکه های عصبی به بررسی و ...

ژورنال: :پژوهش های علوم و فناوری چوب و جنگل 2014
علی بیات کشکولی علیرضا کیخا علی رفیقی

روند شاخص قیمت تولید کننده محصولات چوب و کاغذی وضعیت اقتصادی صنعت چوب و کاغذ را نشان می دهد و پیش بینی شرایط آینده آن ضروری است. هدف این تحقیق مقایسه دو روش پیش بینی شبکه عصبی مصنوعی و فرایند خود همبستگی جمعی میانگین متحرک برای پیش بینی شاخص قیمت تولید کننده محصولات چوب و کاغذ می-باشد . معیارهای ارزیابی کارایی و درصد خطای پیش بینی اندازه گیری شد. نتایج نشان می دهد که درصد خطای پیش بینی ها به وی...

ژورنال: :مدیریت شهری 0
احسان الله اشتهاردیان ehsanollah eshtehardian tarbiat modarres university school of art and architectureدانشکده هنر و معماری دانشگاه تربیت مدرس محمدعلی فائضی راد mohammad ali faezi raad allameh tabatabai university school of management and accountingدانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی

0

ژورنال: تحقیقات بتن 2017

روش‌های مختلفی جهت اندازه‌گیری کارایی بتن وجود دارد که یکی از متداول‌ترین و معمول‌ترین روش‌ها، آزمایش اسلامپ است. جهت دست‌یابی به مخلوط‌های بتنی با اسلامپ مورد نظر، باید مخلوط‌های مختلف بتنی ساخته شود و آزمایش اسلامپ بر روی آن‌ها صورت گیرد. جهت صرفه‌جویی در زمان، هزینه و مصالح بهتر است از روش‌های هوشمندی جهت پیش‌بینی اسلامپ بتن بر اساس نتایج مربوط به تعداد معینی از مخلوط‌های بتنی استفاده شود. د...

جواد خوشحال دستجردی سیدمحمد حسینی

 اربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشکسالی ) مطالعه موردی: استان اصفهان( چکیده   در این­ پژوهش، از شبکه­های عصبی مصنوعی ( Artificial Neural Networks ) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیش­بینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرم­افزار M...

ژورنال: آبخیزداری ایران 2013
درواری, زهرا, غلامی, وحید,

برای شبیه سازی فرآیند بارش - رواناب در سطح حوزه آبخیز کسیلیان با مساحت حدود 68 کیلومترمربع واقع در شمال ایران، مدل (HEC-HMS) و روش شبکه عصبی مصنوعی(ANN) بکار گرفته شد. شبکه عصبی دارای قابلیت بالایی برای برقراری ارتباط بین داده های ورودی و خروجی و مدل(HEC-HMS) دارای قابلیت بالایی در بهینه سازی آبنمود شبیه سازی شده می باشد. عامل هدر رفت اولیه خاک به عنوان یک معیار کمی در برگیرنده سه فاک...

پایان نامه :وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده کشاورزی 1388

تبخیر-تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در این تحقیق پتانسیل سیستم استنتاج تطبیقی عصبی-فازی (anfis) و شبکه عصبی مصنوعی (ann) در برآورد تبخیر-تعرق مرجع(eto) روزانه مورد بررسی قرار گرفت. از داده های روزانه هواشناسی نه ایستگاه واقع در سه اقلیم متفاوت (مرطوب، خشک و نیمه خشک و بسیار خشک) شامل ساعات آفتابی، دمای هوا، رطوبت نسبی و سرعت باد به عنوان ورودی و تبخیر-تعرق مرجع ...

مجید خزایی محمد رضا میرزایی

پیش­بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می­باشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب می‌باشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سری‌های زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سال‌های 1356 تا 1386 پی­ریزی شد. در روش ...

پیش‌بینی بازارهای مالی یکی از سرفصل‌های مهم در حوزه مالی و مطالعات پژوهشی است. اهمیت پیش‌بینی از یک سو و پیچیدگی آن از سوی دیگر باعث شده است که تحقیقات زیادی در این زمینه انجام شود. در این پژوهش از یک روش ترکیبی شامل تبدیل موجک، مدل ARMA-EGARCH و شبکه عصبی مصنوعی برای پیش­بینی یک دوره­ای قیمت سهام در بازارهای ایران و آمریکا استفاده شده است. ابتدا به کمک تبدیل موجک سری زمانی را به چند سری جزئی و...

نمودار تعداد نتایج جستجو در هر سال

با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید

function paginate(evt) { url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term pg=parseInt(evt.target.text) var data={ "year":filter_year, "term":term, "pgn":pg } filtered_res=post_and_fetch(data,url) window.scrollTo(0,0); } function update_search_meta(search_meta) { meta_place=document.getElementById("search_meta_data") term=search_meta.term active_pgn=search_meta.pgn num_res=search_meta.num_res num_pages=search_meta.num_pages year=search_meta.year meta_place.dataset.term=term meta_place.dataset.page=active_pgn meta_place.dataset.num_res=num_res meta_place.dataset.num_pages=num_pages meta_place.dataset.year=year document.getElementById("num_result_place").innerHTML=num_res if (year !== "unfilter"){ document.getElementById("year_filter_label").style="display:inline;" document.getElementById("year_filter_place").innerHTML=year }else { document.getElementById("year_filter_label").style="display:none;" document.getElementById("year_filter_place").innerHTML="" } } function update_pagination() { search_meta_place=document.getElementById('search_meta_data') num_pages=search_meta_place.dataset.num_pages; active_pgn=parseInt(search_meta_place.dataset.page); document.getElementById("pgn-ul").innerHTML=""; pgn_html=""; for (i = 1; i <= num_pages; i++){ if (i===active_pgn){ actv="active" }else {actv=""} pgn_li="
  • " +i+ "
  • "; pgn_html+=pgn_li; } document.getElementById("pgn-ul").innerHTML=pgn_html var pgn_links = document.querySelectorAll('.mypgn'); pgn_links.forEach(function(pgn_link) { pgn_link.addEventListener('click', paginate) }) } function post_and_fetch(data,url) { showLoading() xhr = new XMLHttpRequest(); xhr.open('POST', url, true); xhr.setRequestHeader('Content-Type', 'application/json; charset=UTF-8'); xhr.onreadystatechange = function() { if (xhr.readyState === 4 && xhr.status === 200) { var resp = xhr.responseText; resp_json=JSON.parse(resp) resp_place = document.getElementById("search_result_div") resp_place.innerHTML = resp_json['results'] search_meta = resp_json['meta'] update_search_meta(search_meta) update_pagination() hideLoading() } }; xhr.send(JSON.stringify(data)); } function unfilter() { url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term var data={ "year":"unfilter", "term":term, "pgn":1 } filtered_res=post_and_fetch(data,url) } function deactivate_all_bars(){ var yrchart = document.querySelectorAll('.ct-bar'); yrchart.forEach(function(bar) { bar.dataset.active = false bar.style = "stroke:#71a3c5;" }) } year_chart.on("created", function() { var yrchart = document.querySelectorAll('.ct-bar'); yrchart.forEach(function(check) { check.addEventListener('click', checkIndex); }) }); function checkIndex(event) { var yrchart = document.querySelectorAll('.ct-bar'); var year_bar = event.target if (year_bar.dataset.active == "true") { unfilter_res = unfilter() year_bar.dataset.active = false year_bar.style = "stroke:#1d2b3699;" } else { deactivate_all_bars() year_bar.dataset.active = true year_bar.style = "stroke:#e56f6f;" filter_year = chart_data['labels'][Array.from(yrchart).indexOf(year_bar)] url=/search_year_filter/ var term=document.getElementById("search_meta_data").dataset.term var data={ "year":filter_year, "term":term, "pgn":1 } filtered_res=post_and_fetch(data,url) } } function showLoading() { document.getElementById("loading").style.display = "block"; setTimeout(hideLoading, 10000); // 10 seconds } function hideLoading() { document.getElementById("loading").style.display = "none"; } -->