کاربرد آمار و احتمالات در مدیریت تنش سرما و یخ زدگی 19 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 19

1- مقدمه

با توجه به اهمیت و حساسیت امر مهار آب‌های سطحی خصوصاً در کشور ما که اکثر رودخانه‌های مناطق مختلف فصلی بوده و کمبود آبی که در پهنه وسیعی از کشور وجود دارد ، نیاز به شناسایی و به مدل در‌آوردن رفتار رودها و شریان‌های آبی جهت برنامه‌ریزی‌های بلندمدت و استفاده بیشتر و بهتر از پتانسیل‌های آنها عمیقاً احساس می‌شود . جدیدالتاسیس بودن بیشتر ایستگاه‌های هیدرومتری ، نواقص موجود در آمار اکثر این ایستگاه‌ها ، قرارگرفتن بیشتر رودها در مناطق خشک ، وضعیت بحرانی برداشت آب‌های زیرزمینی و لزوم توجه بیشتر به آب‌های سطحی همه‌ و همه دلایل بیشتر و ظریف‌تری می‌باشد که به مقوله پیش‌بینی و تولید آمار مصنوعی‌ در حوزه‌های آبریز کشورمان جلوه و نمودی کامل‌تر می‌بخشد .

روش‌های متداول آماری و احتمالی بر پایه روابط و فرمول‌های صرفاً ریاضی که به طور اخص به پیش‌بینی سری‌های زمانی می‌پردازد ، از دیرباز مورد توجه مهندسین علوم آب قرار گرفته است . آنها با دست‌مایه قراردادن این بخش از علم آمار به تحلیل ، بررسی و شناخت رفتار رودخانه‌ها می‌پرداختند . در این راستا نرم‌افزارهای مختلفی نیز تهیه وتنظیم شده که از مهم‌ترین و بارزترین آن‌ها می‌توان SPIGOT و HEC4 را نام برد .

شبکه عصبی مصنوعی نامی نوین در علوم مهندسی است که به‌طور ابتدایی و آغازین درسال 1962 توسط فرانک روزن بلات و در شکل جدی و تأثیرگذار در سال 1986 توسط رومل‌هارت و مک‌کلند با ابداع و ارائه مدل پرسپترون بهبود یافته به جهان معرفی شد . این شیوه از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرون‌های موجود در مغز انسان سعی می‌کند تا از طریق توابع تعریف شده ریاضی رفتار درون‌سلولی نرون‌های مغز را شبیه‌سازی کند و از طریق وزن‌های محاسباتی موجود در خطوط ارتباطی نرون‌های مصنوعی ، عملکرد سیناپسی را در نرون‌های طبیعی به مدل در آورد. ماهیت و ذات تجربی و منعطف این روش باعث می‌شود تا در مسائلی مانند مقوله پیش بینی که یک چنین نگرشی در ساختار آن‌ها مشاهده می‌شود و از رفتاری غیرخطی و لجام‌گسیخته برخوردار هستند ، به خوبی قابل استفاده باشد .

2- شبکه های عصبی مصنوعی

2-1- مفاهیم پایه در شبکه های عصبی مصنوعی

یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه می‌باشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .

با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :

نرون یا فعال است یا غیر فعال

خروجی تنها به ورودی‌های نرون بستگی دارد

ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد]1[.

2-2- شبکه عصبی پرسپترون ساده

فرانک روزن بلات ، با اتصال این نرون‌ها به طریقی ساده پرسپترون را ایجاد و ابداع کرد ، و برای نخستین بار این مدل را در کامپیوترهای دیجیتال شبیه‌سازی و آن‌ها را به طور رسمی تحلیل نمود]1[.

2-3- شبکه عصبی پرسپترون چند لایه ) MLP (

در بسیاری از مسائل پیچیدة ریاضی که به حل معادلات بغرنج غیر خطی منجر می‌شود ، یک شبکة پرسپترون چند لایه می‌تواند به سادگی با تعریف اوزان و توابع مناسب مورد استفاده قرارگیرد . توابع فعالیت مختلفی به فراخور اسلوب مسئله در نرون ها مورد استفاده قرار می‌گیرد . در این نوع شبکه‌ها از یک لایة ورودی جهت اعمال ورودی‌های مسئله یک لایة پنهان و یک لایة خروجی که نهایتاً پاسخ‌های مسئله را ارائه می‌نمایند ، استفاده می‌شود.

گره‌هایی که در لایة ورودی هستند ، نرون‌های حسی و گره‌های لایة خروجی ، نرون‌های پاسخ ‌دهنده هستند . در لایة پنهان نیز ، نرون‌های پنهان وجود دارند]2[.

آموزش این‌گونه شبکه‌ها معمولاً با روش پس انتشار خطا انجام می‌شود . نمونه‌ای از یک شبکه پرسپترون چند لایه در زیر نمایش داده شده است . شکل (1).

شکل 1- ساختار پرسپترون چندلایه با نرون‌های پنهان tansigو نرون‌های خروجی با تابع خطی]3[.

شبکه‌های پرسپترون چند لایه می‌توانند با هر تعداد لایه ساخته و به کار گرفته شوند ، ولی قضیه‌ای که ما در این‌جا بدون اثبات می پذیریم بیان می‌کند که یک شبکه پرسپترون سه لایه قادر است هر نوع فضایی را تفکیک کند . این قضیه که قضیة کولموگوروف نامیده می‌شود ، بیانگر مفهوم بسیار مهمی است که می‌توان در ساخت شبکه‌های عصبی از آن استفاده کرد]1[.

نوع خاصی از شبکه‌های عصبی چند لایه به نام پرسپترون تک لایه

) SLP (می‌باشد . این شبکه از یک لایة ورودی و یک لایة خروجی تشکیل شده است .

3- شرح تحقیق