fa تعیین بهترین تابع فعالسازی لایه خروجی در شبکه عصبی برای پیش‌بینی دبی اوج تخصصي Special پژوهشي Research <p style="DIRECTION: rtl"><font face="arial,helvetica,sans-serif"><font size="2">  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. </font></font></p> <font face="TimesNewRomanPSMT"><p align="left">One of the methods to forecast peak discharge among black box method is artificial neural network.</p><p align="left">Lack of emphatic regulation to architect network is one of disadvantages in neural networks. There is not</p><p align="left">a suitable criterion to determine number of layer and number of neuron in hidden layer, type of activation</p><p align="left">function for hidden and output layers and assay and error method is the only solution. In this research,</p><p align="left">numbers of suitable neurons in this layer and activation function type in output layer for two sub basin,</p><p align="left">Gatehdeh and Gelinak, situated in Taleghan basin were investigated by perception neural network with</p><p align="left">three layers and preservation of type of activation function for hidden layer. 20 percentage data for testing</p><p align="left">stage, 65 percentage data for training stage and 15 percentage data for validation stage were entered in</p><p align="left">MATLAB software and sigmoid and linear activation functions with the most application in hydrologic</p><p align="left">subjects were selected for output layer. Linear function with less RMSE in both stations recognized suitable</p><p align="left">and the numbers of adequate neurons in Gatehdeh and Gelinak stations were five and six neurons,</p><p>respectively.</p></font> شبکه عصبی، دبی اوج، طالقان، تابع فعالسازی، لایه پنهان Neural Network, peak Discharge, Taleghan, Activation Function, Hidden layer 61 64 http://jwmsei.ir/browse.php?a_code=A-10-1-95&slc_lang=fa&sid=1 maryam Khosravi مریم خسروی mkhosravi.85@gmail.com 1003194753284600542 1003194753284600542 Yes University of Tehran دانشگاه تهران ali Salajegheh علی سلاجقه 1003194753284600543 1003194753284600543 No University of Tehran دانشگاه تهران mohammad mahdavi محمد مهدوی 1003194753284600544 1003194753284600544 No University of Tehran دانشگاه تهران mohsen Mohseni Saravi محسن محسنی ساروی 1003194753284600545 1003194753284600545 No University of Tehran دانشگاه تهران