دانلود مقاله Data Preدرprocessing Concern in Hydrological Time Series Modeling Using Artificial Neural Networks با word
دانلود مقاله Data Preدرprocessing Concern in Hydrological Time Series Modeling Using Artificial Neural Networks با word دارای 8 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد دانلود مقاله Data Preدرprocessing Concern in Hydrological Time Series Modeling Using Artificial Neural Networks با word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی دانلود مقاله Data Preدرprocessing Concern in Hydrological Time Series Modeling Using Artificial Neural Networks با word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن دانلود مقاله Data Preدرprocessing Concern in Hydrological Time Series Modeling Using Artificial Neural Networks با word :
سال انتشار: 1388
محل انتشار: هشتمین کنگره بین المللی مهندسی عمران
تعداد صفحات: 8
نویسنده(ها):
Shahram Karimi-Googhari – Assistant Professor, Department of Water Engineering, Shahid-Bahonar University of Kerman, Kerman, Iran
چکیده:
Time series modeling for either data generation or forecasting of hydrologic variables is an important step in the planning and operational analysis of water resources. The capability of Artificial Neural Networks (ANN) in modeling of daily reservoir inflow forecasting was examined in a small tropical catchment. Cross-validation and pre-processing of data was considered as alternatives in modeling process. The model inputs were extracted using auto-, cross-, and partial auto-correlation functions. The results showed that the feed forward back-propagation neural networks are able to forecast extremely changeable daily reservoir inflows. Cross-validation of data improved the model performance indices. Transforming the data to normal distribution prior to training confirmed increasing significantly the model persistency and generalization in simulating an independence data set.