سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,503
تعداد مشاهده مقاله124,121,345
تعداد دریافت فایل اصل مقاله97,228,210
حاجیان, علیرضا, ابراهیم‌زاده اردستانی, وحید, لوکاس, کار. (1390). تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد. , 37(2), -.
علیرضا حاجیان; وحید ابراهیم‌زاده اردستانی; کار لوکاس. "تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد". , 37, 2, 1390, -.
حاجیان, علیرضا, ابراهیم‌زاده اردستانی, وحید, لوکاس, کار. (1390). 'تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد', , 37(2), pp. -.
حاجیان, علیرضا, ابراهیم‌زاده اردستانی, وحید, لوکاس, کار. تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد. , 1390; 37(2): -.

تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد

فیزیک زمین و فضا
مقاله 17، دوره 37، شماره 2 - شماره پیاپی 585216، مرداد 1390    اصل مقاله (555.46 K)
نویسندگان
علیرضا حاجیان1؛ وحید ابراهیم‌زاده اردستانی2؛ کار لوکاس3
1مربی، گروه فیزیک، دانشگاه آزاد اسلامی واحد نجف آباد، ایران
2دانشیار، گروه فیزیک زمین، مؤسسة ژئوفیزیک دانشگاه تهران و قطب علمی مهندسی نقشه‌برداری و مقابله با سوانح طبیعی، تهران، ایران
3استاد، دانشکده برق وکامپیوتر دانشگاه تهران وقطب علمی کنترل وپردازش هوشمند ،تهران،ایران
چکیده
در این مقاله روش شبکه عصبی هاپفیلد برای تفسیر هوشمند داده های گرانی استفاده شده است. یک شبکه عصبی هاپفیلد برای تخمین عمق چشمه گرانی طراحی شده است. این شبکه طراحی شده برای داده های مصنوعی و واقعی آزمایش شده اند.
در مورد داده های واقعی این شبکه برای تخمین عمق یک تونل قنات واقع در موسسه ژئوفیزیک به کار برده شده و نتایج حاصله به مقادیر واقعی عمق بسیار نزدیک است.
کلیدواژه‌ها
تخمین عمق؛ شبکه عصبی؛ گرانی؛ هاپفیلد
عنوان مقاله [English]
Depth estimation of gravity anomalies using Hopfield Neural Networks
نویسندگان [English]
Ali Reza Hajian1؛ Vahid Ebrahim Zadeh Ardestani2؛ Car Lucas3
چکیده [English]
The method of Artificial Neural Network is used as a suitable tool for intelligent interpretation of gravity data in this paper.
We have designed a Hopfield Neural Network to estimate the gravity source depth. The designed network was tested by both synthetic and real data. As real data, this Artificial Neural Network was used to estimate the depth of a Qanat (an underground channel) located at north entrance of the Institute of Geophysics and the result was very near to the real value of the depth.
کلیدواژه‌ها [English]
Artificial Neural Network, depth estimation, Gravity, Hopfield
آمار
تعداد مشاهده مقاله: 2,656
تعداد دریافت فایل اصل مقاله: 2,299


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب