پیش‌بینی کمیت تولید، نقشی اساسی در بهینه‌سازی و برنامه‌ریزی سیستم مدیریت مواد زاید جامد شهری دارد. اما به دلیل طبیعت ناهمگون و تأثیر عوامل متنوع و خارج از کنترل بر تولید، همواره با مشکلات زیادی همراه بوده است. شبکة عصبی مصنوعی اخیراً در بسیاری از کاربردهای مهندسی نظیر مهندسی محیط زیست به عنوان ابزاری قدرتمند در مدلسازی مورد توجه قرار گرفته است. در این تحقیق با توجه به دینامیک و پیچیده بودن سیستم...

منابع آب زیرزمینی یکی از مهم­ترین منابع تأمین آب می­باشند، از این­رو مدل­سازی آن­ها بسیار حائز اهمیت می­باشد. ارزیابی و پیش­بینی تراز آب زیرزمینی به پیش­بینی منابع آب زیرزمینی کمک می­کند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (MLR)، مدل هیبرید موجک- شبکه عصبی (WNN) و شبکه عصبی مصنوعی (ANN) در پیش­بینی سطح آب زیرزمینی (GWL)، بر مبنای دو معیار ریشه خطای مربع متوسط (RMSE) و ضر...

اکسیژن محلول در آب از موثرترین پارامترها در تعیین کیفیت آب رودخانه ها بوده و کنترل آن در رودخانه ها از مهم ترین عوامل توسعه منابع آب هر منطقه است. به همین دلیل در این پژوهش عملکرد مدلهای شبکه عصبی موجک، ماشین بردار پشتیبان و برنامه ریزی بیان ژن را جهت تخمین اکسیژن محلول در آب رودخانه کامبرلند واقع در ایالت تنسی مورد بررسی قرار گرفت. برای این منظور سری زمانی ماهانه شاخص DO رودخانه کامبرلند در طی...

موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترک...

چکیده در سال های اخیر، ادغام محاسبات هوشمند و تیوری موجک منجر به ارایه راهبردهای جدید و موثر گردیده است که از آن جمله می توان به شبکه های عصبی موجک و شبکه های موجک فازی اشاره کرد. در شبکه های موجک خاصیت تقریب زنی عمومی تضمین شده و یک ارتباط روشن بین ضرایب شبکه و تبدیل موجک جهت حدس مقادیراولیه پارامترهای شبکه برقرار می شود. همچنین اندازه شبکه در مقایسه با سایر شبکه ها با بدست آوردن سطح تقریب زن...

مدل‏های پیش‏بینی صحیح و قابل اطمینان تراز آب زیرزمینی برای مدیریت منابع آب اهمیت دارند. در سال‏های اخیر استفاده از تحلیل موجک برای تجزیه سری‏های زمانی و ترکیب آن با شبکه‏های عصبی به صورت گسترده‏ای در مدل‏سازی پدیده‏های هیدرولوژیکی به کار رفته‏است. در پژوهش حاضر کاربرد مدل‏های شبکه عصبی، ترکیبی شبکه عصبی- موجک و رگرسیون خطی چندمتغیره در پیش‏بینی تراز آب زیرزمینی هفت حلقه پیزومتر واقع در دشت قم ب...

در این تحقیق پیش­بینی تراز آب زیرزمینی حوضه آبریز شریف­آباد استان قم با بهره­گیری از برخی مدل­های هوشمند می­باشد. به این منظور از داده­های ماهیانه تراز آب زیرزمینی در سه حلقه چاه مشاهده­ای واقع در حوضه آبریز شریف­آباد در مدل سازی­ها استفاده شده است. جهت مقایسه نتایج حاصل از مدل­های هیبرید آنالیز موجک-شبکه عصبی (wnn)، برنامه­ریزی ژنتیک (gp)، رگرسیون خطی چند متغیره (mlr) و شبکه عصبی مصنوعی (ann) ...

منابع آب زیرزمینی یکی از مهم­ترین منابع تأمین آب می­باشند، از این­رو مدل­سازی آن­ها بسیار حائز اهمیت می­باشد. ارزیابی و پیش­بینی تراز آب زیرزمینی به پیش­بینی منابع آب زیرزمینی کمک می­کند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (mlr)، مدل هیبرید موجک- شبکه عصبی (wnn) و شبکه عصبی مصنوعی (ann) در پیش­بینی سطح آب زیرزمینی (gwl)، بر مبنای دو معیار ریشه خطای مربع متوسط (rmse) و ضر...

جبرانسازی سری با خازن روشی است که در سیستم های قدرت برای کاهش مشکلات ناشی از راکتانس خطوط انتقال استفاده می شود. با کاهش راکتانس موثر خطوط، این خازن ها می توانند پایداری گذرا را افزایش و قابلیت بارپذیری این خطوط را بهبود دهند و همچنین با کنترل مقدار این راکتانس می توان بار به اشتراک گذاشته بین خطوط موازی را بهتر کنترل نمود. این فواید باعث شده است که این خازن ها بطور گسترده ای در سیستم های قدرت ...

در دو دهه اخیر استفاده از مدل های غیرخطی در تخمین دبی رودخانه ها مورد توجه محققان واقع شده است که از آن جمله می­توان به مدل شبکه های عصبی مصنوعی، برنامه­ریزی ژنتیک، سری های زمانی، تبدیل موجک و ... اشاره نمود. تبدیل موجک از طریق تجزیه امواج به زمان و مقیاس همچون روش آنالیز فوریه شیوه نوینی را برای پردازش موج ارائه می دهد. در تبدیل موجک از موجک گسسته میر برای برآورد جریان متوسط ماهانه رودخانه لیق...