Andere Kunden interessierten sich auch für
![ENSEÑANZA DEL ANÁLISIS COMBINATORIO MEDIANTE LA RESOLUCIÓN DE PROBLEMAS]( "ENSEÑANZA DEL ANÁLISIS COMBINATORIO MEDIANTE LA RESOLUCIÓN DE PROBLEMAS")
ENSEÑANZA DEL ANÁLISIS COMBINATORIO MEDIANTE LA RESOLUCIÓN DE PROBLEMAS29,99 €![Análisis de modelos y orientación más allá]( "Análisis de modelos y orientación más allá")
Análisis de modelos y orientación más allá27,99 €![Modelos de secuenciación]( "Modelos de secuenciación")
Modelos de secuenciación30,99 €![Odisea de la ciencia de datos: Navegando por el mundo de los modelos matemáticos]( "Odisea de la ciencia de datos: Navegando por el mundo de los modelos matemáticos")
Odisea de la ciencia de datos: Navegando por el mundo de los modelos matemáticos30,99 €![Análise e Orientação de Modelos Além]( "Análise e Orientação de Modelos Além")
Análise e Orientação de Modelos Além26,99 €![Modelos de calibración n-dimensionales para lenguas electrónicas]( "Modelos de calibración n-dimensionales para lenguas electrónicas")
Modelos de calibración n-dimensionales para lenguas electrónicas62,99 €![Sintonia Online de Controladores PID Adaptativo-Ótimo via RNA]( "Sintonia Online de Controladores PID Adaptativo-Ótimo via RNA")
Sintonia Online de Controladores PID Adaptativo-Ótimo via RNA36,99 €
La previsión de las precipitaciones sigue siendo un tema de gran importancia en hidrología. Por otra parte, la precipitación es uno de los procesos hidrológicos efectivos más complicados en la predicción de la escorrentía. En el presente estudio se ha intentado desarrollar modelos de redes neuronales artificiales (RNA) y de sistemas de inferencia neuro-fuzzy adaptativos (ANFIS) para la predicción de la precipitación diaria en el periodo monzónico de Junagadh, Gujarat, India. Los datos del período (1 de junio a 30 de octubre) de los años 1979-1981, 1984-1989 y 1991-2007 se utilizaron para entrenar los modelos y los datos de los años 2008-2011 se utilizaron para probar los modelos. El análisis de sensibilidad se utilizó para identificar el parámetro más importante para la predicción de las precipitaciones. En el modelo RNA, se utilizó el algoritmo de retropropagación y la función de activación sigmoidea para entrenar y probar los modelos, mientras que en los modelos ANFIS se utilizaron las funciones de membresía gaussiana y de campana generalizada. Del estudio se desprende que el rendimiento del modelo ANN de doble capa oculta con cuatro parámetros de entrada es mejor que el modelo ANFIS. El análisis de sensibilidad indicó que el parámetro de entrada más importante, además de la precipitación en sí, es la presión de vapor en la previsión de precipitaciones.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.