Artificial Neural Networks in Hydrology

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.