یکی از روشهای پیشبینی دبی اوج استفاده از مدل جعبه سیاه از جمله شبکه عصبی مصنوعی است. نقطه ضعف شبکههای عصبی در جعبه سیاه عدم وجود قانون تایید شده برای معماری شبکه آنها است، معیار مناسبی برای تعیین تعداد لایه و تعداد نرون در لایه پنهان، نوع تابع فعالسازی برای لایه پنهان و لایه خروجی وجود نداشته و تنها راه حل استفاده از روش سعی و خطا میباشد. در این تحقیق با استفاده از شبکه عصبی پرسپترون و با ثابت نگه داشتن نوع تابع فعالسازی برای لایه پنهان نوع تابع فعالسازی در لایه خروجی برای دو زیرحوزه گتهده و گلینک واقع در حوزه آبخیز طالقان بررسی گردید. 20 درصد دادهها برای مرحله آزمایش، 65 درصد برای مرحله آموزش و 15 درصد برای مرحله اعتبارسنجی وارد نرمافزار مطلب شدند و دو تابع فعالسازی خطی و سیگموئیدی برای لایه خروجی انتخاب گردید. در هر دو ایستگاه تابع خطی با داشتن کمترین RMSE برای لایه خروجی مناسب تشخیص داده شد و تعداد نرون مناسب در ایستگاه گتهده پنج و در ایستگاه گلینک شش انتخاب شد.
Khosravi M, Salajegheh A, mahdavi M, Mohseni Saravi M. Determination of the Best Output Layer Activation Function in Neural Network for Forecasting Peak Discharge. jwmseir 2010; 4 (12) :61-64 URL: http://jwmsei.ir/article-1-158-fa.html
خسروی مریم، سلاجقه علی، مهدوی محمد، محسنی ساروی محسن. تعیین بهترین تابع فعالسازی لایه خروجی در شبکه عصبی برای پیشبینی دبی اوج. مجله علوم ومهندسی آبخیزداری ایران. 1389; 4 (12) :61-64
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.
