ارسل ملاحظاتك

ارسل ملاحظاتك لنا







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:
صورة الغلاف QR قانون

عدد مرات التحميل

17

حفظ في:
LEADER 04071nam a22003257a 4500
001 1507499
041 |a eng 
100 |9 539962  |a Ibrahim, Ahmed Dawod Mohammed  |e Author 
245 |a Gold Detection Using Remote Sensing and Artificial Neural Networks 
260 |a أم درمان  |c 2017 
300 |a 1 - 118 
336 |a رسائل جامعية 
502 |b رسالة ماجستير  |c جامعة أم درمان الاسلامية  |f كلية العلوم الهندسية  |g السودان  |o 0064 
520 |a 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. 
653 |a هندسة الاتصالات  |a الكشف عن الذهب  |a الاستشعار عن بعد  |a الشبكات العصبية الاصطناعية 
700 |a Bilal, Khalid Hamid  |e Advisor  |9 23881 
856 |u 9818-003-017-0064-T.pdf  |y صفحة العنوان 
856 |u 9818-003-017-0064-A.pdf  |y المستخلص 
856 |u 9818-003-017-0064-C.pdf  |y قائمة المحتويات 
856 |u 9818-003-017-0064-F.pdf  |y 24 صفحة الأولى 
856 |u 9818-003-017-0064-1.pdf  |y 1 الفصل 
856 |u 9818-003-017-0064-2.pdf  |y 2 الفصل 
856 |u 9818-003-017-0064-3.pdf  |y 3 الفصل 
856 |u 9818-003-017-0064-4.pdf  |y 4 الفصل 
856 |u 9818-003-017-0064-O.pdf  |y الخاتمة 
856 |u 9818-003-017-0064-R.pdf  |y المصادر والمراجع 
856 |u 9818-003-017-0064-S.pdf  |y الملاحق 
930 |d y 
995 |a Dissertations 
999 |c 1000945  |d 1000945 

عناصر مشابهة