پیش بینی بزرگای زلزله با استفاده از شبکه عصبی پرسپترون چندلایه

چکیده:
به دلیل نواقص موجود در روش های پیشین محاسبه بزرگای زلزله، شبکه عصبی به عنوان یک روش جدید برای این منظور آزمایش می گردد. در این مقاله نوعی شبکه عصبی با نام پرسپترون چندلایه برای پیش بینی بزرگای گشتاوری زلزله مورد استفاده قرار گرفته است. شبکه عصبی پرسپترون شامل سه لایه اصلی با نام های لایه ورودی، لایه پنهان و لایه خروجی است. ورودی های این شبکه شش متغیر مربوط به مکان و زمان وقوع زلزله و همچنین مشخصات گسل تولید کننده زلزله می باشد و خروجی آن همان بزرگای زلزله است. از آن جا که بهترین تنظیمات شبکه همچون بهترین تعداد گره های لایه پنهان و مناسب ترین شیوه آموزشی شبکه از پیش قابل تعیین نیستند و همچنین امکان یادگیری زائد در تکرارهای بعدی ممکن است، در این پژوهش 32 مدل از شبکه با تنظیمات مختلف به کار گرفته شده است تا بهترین مدل شناسایی شود. با توجه به نتایج حاصل از شبکه و مقایسه نتایج با مقادیر حقیقی، مشخص می گردد که شبکه عصبی پرسپترون چند لایه توانایی بالایی در پیش بینی بزرگای زلزله دارد و گزینه بسیار مناسبی برای این منظور است.
زبان:
فارسی
صفحات:
1 تا 8
لینک کوتاه:
magiran.com/p1607206 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!