فایل ورد (word) مقاله طراحي مسير جاد? جنگلي براساس نتايج مدل شبک? عصبي مصنوعي حساسيت به زمين‌لغزش (مطالعة موردي حوضة آبخيز کجور)

    —         —    

ارتباط با ما     —     لیست پایان‌نامه‌ها

... دانلود ...

 فایل ورد (word) مقاله طراحي مسير جاد? جنگلي براساس نتايج مدل شبک? عصبي مصنوعي حساسيت به زمين‌لغزش (مطالعة موردي حوضة آبخيز کجور) دارای 17 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد (word) مقاله طراحي مسير جاد? جنگلي براساس نتايج مدل شبک? عصبي مصنوعي حساسيت به زمين‌لغزش (مطالعة موردي حوضة آبخيز کجور)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد (word) مقاله طراحي مسير جاد? جنگلي براساس نتايج مدل شبک? عصبي مصنوعي حساسيت به زمين‌لغزش (مطالعة موردي حوضة آبخيز کجور)،به هيچ وجه بهم ريختگي وجود ندارد


بخشی از متن فایل ورد (word) مقاله طراحي مسير جاد? جنگلي براساس نتايج مدل شبک? عصبي مصنوعي حساسيت به زمين‌لغزش (مطالعة موردي حوضة آبخيز کجور) :


تعداد صفحات :17

هدف پژوهش حاضر مدلسازی خطر زمین‌لغزش با استفاده از شبکه‌های عصبی مصنوعی در بخشی از حوض آبخیز کجور و سپس طراحی جاد جنگلی براساس پهنه‌بندی طبقات این خطر بود. در این تحقیق، پس از پیمایش میدانی و برداشت 95 نقطه لغزشی، شش عامل شیب، جهت، شکل دامنه، فاصله از رودخانه، فاصله از گسل و سازندهای زمین‌شناسی به‌عنوان عوامل مؤثر بر زمین‌لغزش در نظر گرفته شدند. لایه‌های رقومی هر یک از عوامل در محیط سامانه اطلاعات جغرافیایی تهیه شدند. پس از استخراج داده‌های زمین‌لغزش از محیط سیستم اطلاعات جغرافیایی و تقسیم داده‌ها، مدل‌های مختلف شبک عصبی پرسپترون چندلایه از نوع پس‌انتشار پیش‌خور با به‌کارگیری ترکیبات گوناگون پارامترهای تنظیمی از جمله تعداد لایه‌های مخفی، تعداد نورون در هر لایه، توابع آستانه و الگوریتم‌های یادگیری مختلف ساخته شدند و کارایی شبکه‌های آموزش‌یافته ارزیابی شد. با بررسی پاسخ‌های به‌دست‌آمده از آزمایش تنظیمات مختلف، مقدار مجذور میانگین مربعات خطا و ضریب تبیین که نمایند دقت مدل هستند، به‌ترتیب 1945/0 و 8676/0 برای بهترین شبکه آموزش‌یافته با 2 و 8 نورون در لایه‌های پنهان نخست و دوم و یک نورون در لایه خروجی به‌دست آمد. از میان واریانت‌های طراحی‌شده، واریانت 3 با کمترین عبور از طبقات با حساسیت خیلی زیاد به‌عنوان بهترین واریانت انتخاب و در طبیعت پیاده‌سازی شد..

لینک کمکی