دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: R. S. Govindaraju, A. Ramachandra Rao (auth.), R. S. Govindaraju, A. Ramachandra Rao (eds.) سری: Water Science and Technology Library 36 ISBN (شابک) : 9789048154210, 9789401593410 ناشر: Springer Netherlands سال نشر: 2000 تعداد صفحات: 337 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
کلمات کلیدی مربوط به کتاب شبکه های عصبی مصنوعی در هیدرولوژی: هیدروژئولوژی، فیزیک آماری، سیستم های دینامیکی و پیچیدگی، نظریه محاسبات
در صورت تبدیل فایل کتاب Artificial Neural Networks in Hydrology به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شبکه های عصبی مصنوعی در هیدرولوژی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
R. S. GOVINDARAJU و ARAMACHANDRA RAO دانشکده مهندسی عمران دانشگاه پوردو غرب لافایت، IN. پیشینه و انگیزه در ایالات متحده آمریکا مفهوم اصلی شبکه های عصبی مصنوعی (ANN)، همانطور که امروزه آنها را درک می کنیم، شاید برای اولین بار توسط McCulloch و Pitts (1943) در مدل آنها از یک نورون مصنوعی رسمیت یافت. تحقیقات در این زمینه در سال های اولیه تا حدودی خاموش بود، شاید به دلیل توانایی های محدود این روش و به دلیل اینکه نشانه روشنی از کاربردهای بالقوه آن وجود نداشت. با این حال، علاقه به این حوزه به شکلی دراماتیک با آثار هاپفیلد (1982) و روملهارت و همکاران شتاب گرفت. (1986). این مطالعات نه تنها شبکههای عصبی مصنوعی را روی پایههای ریاضی محکمتری قرار دادند، بلکه راه را برای بسیاری از کاربردهای بالقوه برای این ابزار محاسباتی باز کردند. در نتیجه، محاسبات شبکه عصبی به سرعت در تمام زمینه ها پیشرفت کرده است: توسعه نظری الگوریتم های یادگیری مختلف، قابلیت های محاسباتی و کاربردها در حوزه های مختلف از فیزیولوژی عصبی گرفته تا بازار سهام. . مطالعات اولیه روی شبکههای عصبی مصنوعی به دلیل تمایل به تقلید رایانهها از یادگیری انسان انجام شد. در نتیجه، اصطلاحات مرتبط با ادبیات فنی در مورد این موضوع مملو از عباراتی مانند تحریک و مهار نورون ها، قدرت اتصالات سیناپسی، نرخ یادگیری، آموزش و تجربه شبکه است. ANN ها همچنین توسط افرادی که می خواهند این قیاس را حفظ کنند به عنوان رایانه های عصبی نامیده می شوند.
R. S. GOVINDARAJU and ARAMACHANDRA RAO School of Civil Engineering Purdue University West Lafayette, IN. , USA Background and Motivation The basic notion of artificial neural networks (ANNs), as we understand them today, was perhaps first formalized by McCulloch and Pitts (1943) in their model of an artificial neuron. Research in this field remained somewhat dormant in the early years, perhaps because of the limited capabilities of this method and because there was no clear indication of its potential uses. However, interest in this area picked up momentum in a dramatic fashion with the works of Hopfield (1982) and Rumelhart et al. (1986). Not only did these studies place artificial neural networks on a firmer mathematical footing, but also opened the dOOf to a host of potential applications for this computational tool. Consequently, neural network computing has progressed rapidly along all fronts: theoretical development of different learning algorithms, computing capabilities, and applications to diverse areas from neurophysiology to the stock market. . Initial studies on artificial neural networks were prompted by adesire to have computers mimic human learning. As a result, the jargon associated with the technical literature on this subject is replete with expressions such as excitation and inhibition of neurons, strength of synaptic connections, learning rates, training, and network experience. ANNs have also been referred to as neurocomputers by people who want to preserve this analogy.
Front Matter....Pages i-xvi
Introduction....Pages 1-5
Effective and Efficient Modeling for Streamflow Forecasting....Pages 7-22
Streamflow Forecasting Based on Artificial Neural Networks....Pages 23-51
Real Time Forecasting Using Neural Networks....Pages 53-71
Modular Neural Networks for Watershed Runoff....Pages 73-91
Radial-Basis Function Networks....Pages 93-109
Artificial Neural Networks in Subsurface Characterization....Pages 111-134
Optimal Groundwater Remediation Using Artificial Neural Networks....Pages 135-152
Adaptive Neural Networks in Regulation of River Flows....Pages 153-177
Identification of Pollution Sources Via Neural Networks....Pages 179-197
Spatial Organization and Characterization of Soil Physical Properties Using Self-Organizing Maps....Pages 199-207
Rainfall Estimation from Satellite Imagery....Pages 209-234
Streamflow Data Infilling Techniques Based on Concepts of Groups and Neural Networks....Pages 235-258
Spatial Analysis of Hydrologic and Environmental Data Based on Artificial Neural Networks....Pages 259-286
Application of Artificial Neural Networks to Forecasting of Surface Water Quality Variables: Issues, Applications and Challenges....Pages 287-309
Long Range Precipitation Prediction in California: A Look Inside the “Black Box” of a Trained Network....Pages 311-329
Back Matter....Pages 331-332