ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Selection of Abandoned Areas for Implantation of Solar Energy Projects Using Artificial Neural Networks

دانلود کتاب انتخاب مناطق متروکه برای کاشت پروژه های انرژی خورشیدی با استفاده از شبکه های عصبی مصنوعی

Selection of Abandoned Areas for Implantation of Solar Energy Projects Using Artificial Neural Networks

مشخصات کتاب

Selection of Abandoned Areas for Implantation of Solar Energy Projects Using Artificial Neural Networks

ویرایش:  
نویسندگان: ,   
سری:  
ISBN (شابک) : 9783030943349, 9783030943356 
ناشر: Springer 
سال نشر: 2022 
تعداد صفحات: 13 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Selection of Abandoned Areas for Implantation of Solar Energy Projects Using Artificial Neural Networks 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 انتخاب مناطق متروکه برای کاشت پروژه های انرژی خورشیدی با استفاده از شبکه های عصبی مصنوعی 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.


توضیحاتی در مورد کتاب انتخاب مناطق متروکه برای کاشت پروژه های انرژی خورشیدی با استفاده از شبکه های عصبی مصنوعی

افزایش تقاضا برای انرژی اخیرا تشدید شده است و به منابع جایگزین برای سوخت های فسیلی نیاز دارد که از نظر اقتصادی و زیست محیطی غیرممکن شده است. از سوی دیگر، افزایش اشغال زمین در قرون اخیر یک مشکل رو به رشد است که نیازمند کارایی بیشتر، به ویژه در استفاده مجدد از مناطق متروکه است که به یک جایگزین تبدیل شده است. یک جایگزین جالب، نصب تاسیسات انرژی مانند خورشید، باد، زیست توده و زمین گرمایی در این مناطق خواهد بود. بنابراین، به این ترتیب، هدف این کار طبقه‌بندی این مناطق متروکه است تا بررسی شود که کدام یک برای تأسیسات انرژی خورشیدی به طور خاص مناسب هستند تا از آن مناطق استفاده مجدد کنند. شبکه های عصبی مصنوعی (ANN) آموزش دیده با الگوریتم Levenberg-Marquardt (LMA) برای کار طبقه بندی استفاده شد. نوآوری اصلی این کار، بهینه‌سازی وزن‌های اولیه شبکه عصبی مصنوعی با استفاده از فراابتکاری بهینه‌سازی ازدحام ذرات با رفتار کوانتومی (QPSO)، از طریق الگوریتم پیشنهادی QPSO-LMA است. از نظر میانگین مربعات خطا (MSE)، رویکرد QPSO-LMA نسبت به تمرین کلاسیک LMA با وزن‌های اولیه تصادفی به کاهش 19.6 درصدی دست یافت. علاوه بر این، دقت مدل افزایش 7.3 درصدی را برای QPSO-LMA نسبت به LMA نشان داد. برای اعتبارسنجی این رویکرد جدید، همچنین بر روی شش مجموعه داده مختلف موجود در مخزن یادگیری ماشین UCI و هفت تکنیک کلاسیک موجود در ادبیات آزمایش شد. برای مشکل نصب نیروگاه های فتوولتائیک در مناطق متروکه، دانش به دست آمده با مجموعه داده های خورشیدی را می توان به مناطق دیگر تعمیم داد.


توضیحاتی درمورد کتاب به خارجی

The increasing demand for energy has intensified recently, requiring alternative sources to fossil fuels, which have become economically and environmentally unfeasible. On the other hand, the increasing land occupation in recent centuries is a growing problem, demanding greater efficiency, particularly in the reuse of abandoned areas, which has become an alternative. An interesting alternative would be installing energy facilities like solar, wind, biomass, and geothermal, in these areas. So, in this way, the aim of this work is to classify these abandoned areas to verify which ones would be suitable for solar energy facilities specifically, to reuse those areas. Artificial Neural Networks (ANNs) trained with the Levenberg-Marquardt Algorithm (LMA) were used for the classification task. The main innovation of this work is the optimization of the initial weights of the ANN using the Quantum-behaved Particle Swarm Optimization (QPSO) metaheuristic, through QPSO-LMA proposed algorithm. In terms of Mean Squared Error (MSE), the QPSO-LMA approach achieved a decrease of 19.6% in relation to the classical LMA training with random initial weights. Moreover, the model’s accuracy showed an increase of 7.3% for the QPSO-LMA over the LMA. To validate this new approach, it was also tested on six different datasets available in the UCI Machine Learning Repository and seven classical techniques established in the literature. For the problem of installing photovoltaic plants in abandoned areas, the knowledge acquired with the solar dataset can be extrapolated to other regions.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی