يجب تسجيل الدخول أولا
Gold Detection Using Remote Sensing and Artificial Neural Networks
| المؤلف الرئيسي: | Ibrahim, Ahmed Dawod Mohammed (Author) |
|---|---|
| مؤلفين آخرين: | Bilal, Khalid Hamid (Advisor) |
| التاريخ الميلادي: |
2017
|
| موقع: | أم درمان |
| الصفحات: | 1 - 118 |
| رقم MD: | 1000945 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة أم درمان الاسلامية |
| الكلية: | كلية العلوم الهندسية |
| الدولة: | السودان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
15
| المستخلص: |
تهدف هذه الدراسة إلى تقييم إمكانية الشبكات العصبية الاصطناعية للكشف عن الذهب استنادا على بيانات الأقمار الاصطناعية التي تم الحصول عليها بواسطة نظام لاندسات 8 الأمريكي إحدى أهداف الدراسة تتمثل في اختيار نموذج الشبكات العصبية الاصطناعية الأمثل لدراسة الكشف عن الذهب. شملت الدراسة مجموعة واسعة من الإجراءات المتبعة لتحقيق أهدافها. وقد انقسمت الإجراءات لثلاثة مراحل. المرحلة الأولى تضمنت إنشاء عينات التدريب والاختبار لبناء نموذج الشبكات الاصطناعية. المرحلة الثانية اهتمت بتصميم وبناء نموذج الشبكات الاصطناعية وفي المرحلة الثالثة تم تقييم أداء النماذج التي تم تدريبها وذلك من خلال تطبيق النموذج المدرب على مجموعة من عينات الاختبار (50 عينة) التي لم تستخدم في مرحلة التدريب تم إخضاع نتائج الاختبار للتحليل الإحصائي حيث تم حساب متوسط قيمة الخطاء والانحراف المعياري ومن ثم الخطاء القياسي. أوضحت الدراسة أن كل من نموذج الشبكة العصبية ذات الانتشار الخلفي (BPN) وذات الانخلال العام (GRNN) أعطت نتائج جيدة حيث تم معالجة كافة عينات الاختبار (50 عينة) بمقدار حطاء مقبول. نموذج الشبكة العصبية الاصطناعية ذات الانتشار الحلف أعطت نتائج أفضل من نموذج الشبكة العصبية الاصطناعية ذات الانحلال العام )في نموذجيها التكراري والتكيفي)، حيث بلقت قيمة الخطاء القياسي في شبكة العصبية ذات الانتشار الخلفي (BPN) 0.045±0.218 وشبكة العصبية الاصطناعية ذات الانخلال العام التكراري (GRNN-Iterative) 0.123±0.299 وشبكة العصبية الاصطناعية ذات الانخلال العام التكيفي (GRNN-Adaptive) 0.125±0.337 من جانب زمن التعلم كان الأسرع (GRNN-Iterative) بزمن قدره 1:18 دقيقة ومن ثم (GRNN-Adaptive) بزمن قدره 1:47 دقيقة و أخير (BPN) بزمن قدره 42:55 دقيقة. |
|---|
عناصر مشابهة
-
Using Artificial Neural Networks "ANN" to Control Chaos
بواسطة: Ighneiwa, Ibrahim منشور: (2017) -
Classification of Brain Tumor Using Artificial Neural Network
بواسطة: داخل ، نور حيدر منشور: (2017) -
A Hybrid Approach for Intrusion Detection Using Artificial Neural Network
بواسطة: بدوي، سمر عصام أحمد منشور: (2016) -
Home Automation Based on Android System Using Artificial Neural Network with GSM Notification
بواسطة: راضي، ساره عباس منشور: (2017) -
Domestic water demand dorecasting using artificial neural networks and time series
بواسطة: Abo Monasar, Amin Ali منشور: (2010)
