| LEADER |
04588nam a22002297a 4500 |
| 001 |
0846307 |
| 024 |
|
|
|3 10.34279/0923-005-001-014
|
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b العراق
|
| 100 |
|
|
|9 4499
|a Aal Yhia, Ahmad Hashim Hussein
|e Author
|
| 245 |
|
|
|a Artificial Neural Networks For Predicting The Astronomical Events
|
| 260 |
|
|
|b الجمعية العراقية لتكنولوجيا المعلومات
|c 2012
|
| 300 |
|
|
|a 1 - 20
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a في هذه الدراسة، استخدمنا واحدة من خوارزميات الشبكات العصبية الاصطناعية. تم تنفيذ خوارزمية Back Propagation لتكوين شبكتان للتنبؤ بالأحداث الفلكية: كسوف الشمس، خسوف القمر، شروق الشمس وغروبها. البيانات في طبقة الإدخال وطبقة الإخراج تكون بالأرقام الأصلية. تم استخدام لغة MATLAB لكتابة برامج البحث. بيانات طبقة الإدخال في الشبكة الأولي للتنبؤ بكسوف الشمس أو بخسوف القمر تدل على المدينة والشهر والسنة، بينما البيانات في طبة الإخراج تدل على اليوم وبداية الحدث ونهاية الحدث وحالة الحدث. الشبكة لتطبيق كسوف الشمس تتكون من 3 عقدة في طبقة الإدخال و 22 عقدة في الطبقة الخفية (الوسطي) و6 عقدة في طبقة الإخراج، بينما الشبكة لتطبيق خسوف القمر فتتمون من 3 عقدة في طبقة الإدخال و 4 عقدة في الطبقة الخفية (الوسطى) و6 عقدة في طبقة الإخراج. بيانات طبقة الإدخال في الشبكة الثانية للتنبؤ بشروق الشمس أو بغروبها تدل على المدينة واليوم والشهر، بينما البيانات في طبقة الإخراج تدل على الساعات والدقائق. شبكة شروق الشمس وغروبها تتكون من 3 عقدة في طبقة الإدخال و 22 عقدة في الطبقة الخفية (الوسطى) و2 عقدة في طبقة الإخراج. الأخطاء في النتائج كانت 21.9% لتطبيق شروق الشمس، 25% لتطبيق الغروب، 15.6% لتطبيق كسوف الشمس و 23.3% لتطبيق خسوف القمر. تنفيذ عمليات التنبؤ لتلك الأحداث الفلكية لها فوائد كثيرة
|
| 520 |
|
|
|b In this paper, we used one of artificial neural networks algorithms. Back propagation algorithm is implemented to construct the two nets for predicting astronomical events: solar eclipse, lunar eclipse, sunrise and sunset. The data for input layer and output layer is in original data. The MATLAB language is used to write the paper programs. The data of input layer in first prediction net for solar eclipse or lunar eclipse denotes the city, month and year, while the data in the output layer denotes the day, start of event, end of event and status of event. The net of solar eclipse application consists of 3 neurons in input layer, 22 neurons in hidden layer and 6 neurons in output layer, while the net of lunar eclipse application consists of 3 neurons in input layer, 4 neurons in hidden layer and 6 neurons in output layer. The data of input layer in second prediction net for sunrise or sunset denotes the city, day and month, while the data in the output layer denotes the hours and minutes. This net consists of 3 neurons in input layer, 22 neurons in hidden layer and 2 neurons in output layer. The errors in results are 21.9% for the application of sunrise, 25% for the application of sunset, 15.6% for the application of solar eclipse and 23.3% for the application of lunar eclipse. Implementing of the prediction processes for those astronomical events have much advantages.
|
| 653 |
|
|
|a التنبؤ بالأحداث الفلكية
|a الشبكات العصبية الاصطناعية
|a علم الفلك
|a تنبؤات الطقس
|a الكسوف
|a الخسوف
|
| 773 |
|
|
|4 علوم المعلومات وعلوم المكتبات
|6 Information Science & Library Science
|c 014
|e Iraqi Journal of Information Technology
|f Al-Maǧallaẗ al-ʻirāqiyyaẗ li-tiknulūǧiyā al-maʻlūmāt
|l 001
|m مج 5, ع 1
|o 0923
|s المجلة العراقية لتكنولوجيا المعلومات
|v 005
|x 1994-8638
|
| 856 |
|
|
|u 0923-005-001-014.pdf
|
| 930 |
|
|
|d y
|p y
|q y
|
| 995 |
|
|
|a HumanIndex
|
| 999 |
|
|
|c 291956
|d 291956
|
