پایان نامه پیش بینی دما با استفاده از روش های هوشمند

تعداد صفحات: 120 فرمت فایل: word کد فایل: 2464
سال: 1388 مقطع: کارشناسی دسته بندی: مهندسی کامپیوتر
قیمت قدیم:۳۵,۷۶۰ تومان
قیمت: ۲۹,۸۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه پیش بینی دما با استفاده از روش های هوشمند

    پایان نامه دوره کارشناسی کامپیوتر

    گرایش سخت افزار

    چکیده

    پیش بینی یا پیشگویی در دنیای کنونی جز لاینکف زندگی بشر محسوب می شوند، پیش بینی دما به علت اهمیت آن در صنعت بیمه، کشاورزی، خشکسالی و... اهمیت فوق العاده ای در پیش بینی های هواشناسی دارد.

    بنابراین در ابتدا در رابطه با اهمیت دما و عوامل موثر بر آن مطالبی ارائه می کنیم. طبق بررسی های به عمل آمده از آنجا که دو روش منطق فازی و الگوریتم ژنتیک از روشهای مطرح شده با دقت پیش بینی بالا هستند در یک فصل به دو مبحث منطق فازی و ریاضیات فازی اشاره می شود و در فصلی دیگر توضیحی اجمالی از الگوریتم ژنتیک خواهیم داشت.

    در نهایت مقالات معتبر علمی مرتبط با پیش بینی دما ارائه شده اند که حاوی انجام آزمایشات و مشاهداتی هستندکه توسط دو روش الگوریتم ژنتیک ومنطق فازی پیش بینی می شوند.

     

    واژه های کلیدی:

    پیش بینی(forecasting )، پیشگویی دما (temperature prediction)، الگوریتم ژنتیک

     (genetic algorithm)، سری های زمانی فازی (fuzzy time series)، منطق فازی .(fuzzy logic)

    مقدمه

     

    تابش های مستقیم و غیر مستقیم منشا اصلی انرژی حرارتی کره ی زمین است بازتاب آن ها توسط زمین موجب گرم شدن هوا می گردد. اندازه گیری دما در محیط باز نشان دهنده ی دمای هوا ، دمای ناشی از تابش های اجسام مجاور و تابش های مستقیم خورشید است به همین دلیل دماسنج ها را در پناهگاههای هواشناسی قرار می دهند به طوریکه مخزن آن ها از سطح زمین در ارتفاع مشخصی در حدود 135 سانتی متری قرارداشته باشند. به این ترتیب دمای هوای بدست آمده در نقاط مختلف با یکدیگر قابل مقایسه هستند و تحت تاثیر تابش های مستقیم یا غیر مستقیم نمی باشند. از جمله عوامل موثر در دمای یک منطقه عرض جغرافیایی، ارتفاع، جریان های دریایی، فاصله از دریا، باد، جهت و پوشش ابری می باشند.

    حال با توجه به عوامل ذکر شده برای پیش بینی دما روش های گوناگونی به کاربرده شده است طوری که در پی سالیان متمادی تحقیق و پژوهش، روشهای گوناگونی در زمینه پیش بینی پیشنهاد گردیدند که می‌توان آنها را در دو گروه روش های کلاسیک و اکتشافی مدرن طبقه بندی کرد روشهای کلاسیک بر پایه ی احتمالات و مدل ریاضی عمل می‌کنند ولی روش های اکتشافی هوشمند، از سیستم های مبتنی بر شبکه های عصبی، منطق فازی، الگوریتم های تکاملی و ترکیبی از روشهای هوش مصنوعی تشکیل شده است. مزیت اصلی روش های اکتشافی مدرن در این است که به طراح در دستیابی به سیستمی دینامیک و غیر خطی کمک می کنند، و همچون متد های کلاسیک نیازی به پیشنهاد یک الگو ندارند و هیچ فرضی درباره ماهیت توزیع داده های مشاهده شده در آنها به چشم نمی خورد. حتی در مواقعی که با مشکل داده های مفقود شده مواجه می شویم، بر خلاف روش های کلاسیک، در متد های اکتشافی مدرن می توان این نقیصه را تا حدودی برطرف نمود. اما شاید مهمترین برتری اکتشافی مدرن در این باشد که عناصر ذهنی و انسانی را در طراحی راه حل مسئله کنار می گذارد، امری که در روش های کلاسیک یکی از ارکان اصلی در پیاده سازی سیستم محسوب می‌گردد. در حالی که روش های اکتشافی مدرن بدون داشتن هیچ فرضی از مسئله، با کمک داده های مشاهده شده و ساختار های هوشمند نظیر شبکه های عصبی، و یا بر اساس دانش انسان خبره در سیستم های مبتنی بر منطق فازی سعی در مدل کردن مسئله در یک بلاک بسته دارند. 

    منطق فازی

    نظریه ی فازی برای اینکه موضوعات و مسائل پپچیده و بزرگ مقیاس که شامل بازیابی اطلاعات می‌باشند، قابل فهم باشد و بتوان با ظرفیت فکری اندک تصمیمی معین گرفت، روشی قابل انعطاف و کلی که در قید جزئیات کم اهمیت نیست، ارائه می‌دهد. این روش از عهده‌ی موقعیتهای اجتماعی و اقتصادی و محیط طبیعی که نیازمند تنوع و انعطاف است، برمی‌آید.

    به منظور ایجاد الگویی شبیه به پردازش عمومی اطلاعات هوشمندانه‌ی بشر، دانش و تجربه‌ی افراد باتجربه ومتخصصان مجرب به زبان طبیعی، وارد رایانه شده و عملیات منطقی به صورت اجمالی اجرا می‌شوند و با استفاده از این الگو، تحلیل پیش برده می‌شود و فعالیت‌های بشر یا پدیده ها و اوضاع اجتماعی و بازرگانی مورد بررسی قرار می‌گیرند. بیشتر روشهای فازی که برای مدیریت تکمیل شده اند از این روش بهره می‌گیرند.

    در این فصل ابتدا تاریخچه ای از منطق فازی بیان می شود و در ادامه با منطق فازی آشنا خواهیم شد. درآخرهم چگونگی کارکرد سیستم های فازی بررسی می شود.

    تاریخچه ی مختصری از منطق فازی

    دهه ی1960 آغاز نظریه فازی بود. نظریه‌ی فازی به وسیله پروفسور لطفی زاده در سال 1965 در مقاله ای به نام مجموعه های فازی معرفی شد. ایشان قبل از کار بر روی نظریه‌ی فازی، یک استاد برجسته در نظریه کنترل بود. او مفهوم "حالت" را که براساس نظریه‌ی کنترل مدرن را شکل می‌دهد، توسعه داد. عسگرزاده در سال 1962 چیزی را بدین مضمون برای سیستمهای بیولوژیک نوشت: "ما اساساً به نوع جدید ریاضیات نیازمندیم؛ ریاضیات مقادیر مبهم یا فازی است که توسط توزیع های احتمالات قابل توصیف نیستند." وی فعالیت خویش در نظریه‌ی فازی را در مقاله ای با عنوان "مجموعه های فازی" تجسم بخشید. مباحث بسیاری در مورد مجموعه های فازی بوجودآمد و ریاضیدانان معتقد بودند نظریه‌ی احتمالات برای حل مسائلی که نظریه‌ی فازی ادعای حل بهتر آن را دارد، کفایت می‌کند. دهه‌ی 1960 دهه‌ی چالش کشیدن و انکار نظریه‌ی فازی بود وهیچ یک از مراکز تحقیقاتی، نظریه‌ی فازی را به عنوان یک زمینه‌ی تحقیق جدی نگرفتند.

    اما در دهه‌ی 1970، به کاربردهای عملی نظریه‌ی فازی توجه شد و دیدگاه های شک برانگیز درباره‌ی ماهیت وجودی نظریه‌ی فازی مرتفع شد. استاد لطفی زاده پس از معرفی مجموعه های فازی در سال 1965، مفاهیم الگوریتم فازی را در سال 1968 تصمیم گیری فازی را در سال 1970 و ترتیب فازی را در سال 1971 ارائه نمود. ایشان در سال 1973 اساس کار کنترل فازی را بنا کرد. این مبحث باعث کنترل کننده های فازی برای سیستم‌های واقعی بود. ممدانی و آسیلیان چهارچوب اولیه‌ای را برای کنترل کننده فازی مشخص کرد. در سال 1978 هومبلاد و اوستگارد اولین کنترل کننده‌ی فازی را برای کنترل یک فرآیند صنعتی به کار بردند که از این تاریخ به بعد، با کاربرد نظریه‌ی فازی در سیستم‌های واقعی، دید شک برانگیز درباره‌ی ماهیت وجودی این نظریه کاملاً متزلزل شد.

    دهه‌ی 1980 از لحاظ نظری، پیشرفت کندی داشت، اما کاربرد منتطق فازی باعث دوام نظریه‌ی فازی شد. هیچ اندیشیده‌اید که کشورژاپن چرا گوی سبقت را در تولید لوازم الکترونیک هوشمند از دیگر همتایانش ربوده است؟ مهندسان ژاپنی به سرعت دریافتند که کنترل کننده‌های فازی به سهولت قابل طراحی بوده و در مورد بسیاری، می توان از آنها استفاده کرد. به علت اینکه کنترل فازی به یک مدل ریاضی نیاز ندارد، می توان آن را مورد بسیاری از سیستم هایی که به وسیله‌ی نظریه‌ی کنترل متعارف قابل پیاده سازی نیستند به کاربرد. سوگنو مشغول کار بروی ربات فازی شد، ماشینی که از راه دور کنترل می‌شد و خودش به تنهایی عمل پارک را انجام می‌داد. یاشونوبو و میاموتو از شرکت هیتاچی کار روی سیستم کنترل قطار زیرزمینی را آغاز کردند. بالاخره در سال 1987 پروژه به ثمر رسید و یکی از پیشرفته ترین سیستم‌های قطار زیرزمینی را در جهان بوجود آورد. در دومین کنفرانس سیستم‌ های فازی که در توکیو برگزار شد، درست سه روز بعد از افتتاح قطار زیرزمینی، هیرو تا یک ربات فازی را به نمایش گذارد که پینگ پنگ بازی می‌کرد، یاکاماوا نیز سیستم فازی را نشان داد که یک پاندول معکوس را در حالت تعادل نشان می‌داد. پس از این کنفرانس، توجه مهندسان، دولتمردان و تجار جلب شد وزمینه‌ی پیشرفت نظریه‌ی فازی فراهم شد.

    دهه ی 1990، توجه محققان آمریکا و اروپا به سیستم‌های فازی موفقیت سیستم‌های فازی در ژاپن، مورد توجه محققان آمریکا و اروپا واقع شد و دیدگاه بسیاری از محققان به سیستم‌های فازی تغییر کرد. در سال 1992 اولین کنفرانس بین الملی در مورد سیستم‌های فازی به وسیله‌ی بزرگترین سازمان مهندسی یعنی IEEE برگزار شد. در دهه ی 1990 پیشرفت‌های زیادی در زمینه‌ی سیستم‌های فازی ایجاد شده؛ اما با وجود شفاف شدن تصویر سیستم‌های فازی هنوز فعالیت‌های بسیاری باید انجام شود و بسیاری از راه حل‌ها و روش‌ها همچنان در ابتدای راه قرار دارد. بنابراین توصیه می‌شود که محققان کشور با تحقیق در این زمینه، موجبات پیشرفت‌های عمده در زمینه‌ی نظریه فازی را فراهم نمایند.

    آشنایی با منطق فازی

    منطق فازی عبارتست از استدلال با مجموعه‌های فازی. حال اگر بخواهیم نظریه مجموعه های فازی را توضیح دهیم، باید بگوئیم نظریه‌ای ست برای اقدام در شرایط عدم اطمینان. این نظریه قادر است بسیاری از مفاهیم، متغیرها و سیستم‌هایی را که نادقیق و مبهم هستند، صورت بندی ریاضی ببخشد و زمینه را برای استدلال، استنتاج، کنترل و تصمیم‌گیری درشرایط عدم اطمینان فراهم آورد. پرواضح است که بسیاری از تصمیمات و اقدامات بشر در شرایط عدم اطمینان است وحالات واضح و غیرمبهم بسیار نادر و کمیاب می‌باشند.

    پیش از معرفی تئوری منطق فازی توسط پروفسور لطفی زاده در 1965 محققان زیادی به رفع پارادوکس‌های موجود در مسائل مطرح شده در علوم مختلف بر اثر محدودیت منطق دوگانه مشغول بودند، مانند پارادوکس wooger در علوم زیستی شناسی که در آن فرزندان بعضی از حیوانات به تیره خانواده‌ای متفاوت از والدینشان تعلق دارند، در حالیکه از نظر ژنتیکی چنین امری ممکن نیست و این موضوع با منطق دوگانه‌ی مرسوم سازگاری نداشت. در این راستا راسل[1] ابهام را جزئی از زبان دانست و یا Jan Lukasiewicz منطق سه ارزشی را مطرح کرد که در آن علاوه بر ارزشهای False & True منطق ارزشی possible هم وجود داشت.

  • فهرست و منابع پایان نامه پیش بینی دما با استفاده از روش های هوشمند

    فهرست:

    فصل یکم -  منطق فازی و ریاضیات فازی

     

    1-1- منطق فازی

     

    1-1-1-   تاریخچه مختصری از منطق فازی

     

    1-1-2-  آشنایی با منطق فازی

     

    1-1-3-  سیستم های فازی

     

    1-1-4-  نتیجه گیری

     

    1-2-  ریاضیات فازی

     

    1-2-1- مجموعه های فازی

     

    1-2-2- مفاهیم مجموعه های فازی

     

    1-2-3- عملیات روی مجموعه های فازی

     

    1-2-4- انطباق مجموعه های فازی  

    1-2-5- معیار های امکان و ضرورت

     

    1-2-6- روابط فازی

     

    1-2-6-1- رابطه ی هم ارزی فازی

     

    1-2-6-2- ترکیب روابط فازی

     

    1-2-7- منطق فازی

     

    1-2-7-1- عملیات منطقی و مقادیر درستی فازی

     

    1-2-7-2- کاربرد مقادیر درستی فازی

     

    1-2-8- نتیجه گیری

     

    فصل دوم-  الگوریتم ژنتیک

     

    2-1-  چکیده

     

    2-2- مقدمه

     

    2-3- الگوریتم ژنتیک چیست؟

     

    2-4-  ایده اصلی الگوریتم ژنتیک

     

    2-5-  الگوریتم ژنتیک

     

    2-6- سود و کد الگوریتم

     

    2-7- روش های نمایش

    2-8- روش های انتخاب

     

    2-9-  روش های تغییر

     

    2-10-  نقاط قوت الگوریتم های ژنتیک

     

    2-11-  محدودیت های GA ها

     

    2-12-  چند نمونه از کاربردهای الگوریتم های ژنتیک

     

    2-13- نسل اول

     

    2-14-  نسل بعدی

     

    2-14-1- انتخاب

     

    2-14-2- تغییر از یک نسل به نسل بعدی(crossover)

     

    2-14-3- جهش (mutation)

     

    2-15- هایپر هیوریستیک

     

    فصل سوم-  بررسی مقالات

     

    3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه  برای پیش بینی یخبندان

     

    3-1-1- چکیده

     

    3-1-2- مقدمه

     

    3-1-3- روش شناسی

     

    3-1-3-1- مجموعه اصطلاحات

     

    3-1-3-2-نگاه کلی

     

    3-1-3-3-  یادگیری

     

    3-1-3-4- تولید پارامتر های ساختاری

     

    3-1-3-5- پیش بینی

     

    3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق

     

    3-1-4- نتایج

     

    3-1-4-1- واقعه ی یخبندان شپارتون

     

    3-1-4-2- بحث

     

    3-1-5- نتیجه گیری

     

    3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک

     

    3-2-1-  چکیده

     

    3-2-2- مقدمه

     

    3-2-3- سری های زمانی فازی و روابط منطق فازی

     

    3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک 

     

    3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک

     

    3-2-6- نتیجه گیری

     

    3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده

     

    3-3-1- چکیده

     

    3-3-2- مقدمه

     

    3-3-3- داده و روش بررسی

     

    3-3-4- نتایج

     

    3-3-5- نتیجه گیری

     

    منبع:

    دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]

     

    دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]

     

    امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]

     

    ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]

     

    [5] George J. Klir Bo Yuan, Fuzzy sets and Fuzzy Logic, Theory and applications , Prentice Hall PTR , 1995.

     

    [6] Anna Kolesárová, Monika Kováčová, Fuzzy sets and their applications STU Bratislava 2004, ISBN 8022720364

     

    [7] Chen, G. Q, Fuzzy Logic in Data Modeling, Semantics, Constraints, and Database Design, Kluwer Academic Publisher,1999.

     

    [8] [Zad65], Fuzzy Sets, Zadeh L.A., 1965

     

    [9] [KYu], Fuzzy Sets and Fuzzy Logic – Theory and Applications, Klin D. George, Bo Yuan

     

    [10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.

     

    [11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.

     

    [12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.

     

    [13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.

     

    [14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria

    Decision Making , Ronald Yager.

     

    [15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.

     

    [16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,” Fuzzy Sets and Systems, Vol. 113, 2000, pp. 19-36.

     

    [17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,” International Journal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.

     

    [18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.

     

    [19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object

    data management group (FODMG),” in Proceedings of the 6th IEEE International Conference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.

     

    [20]  J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in

    [21]fuzzy relational databases,” International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.

     

    [22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented

     

    [23]database modeling,” Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.

     

    [24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in

    class hierarchies,” International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.

     

    [25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,” IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192 and Applications Symposium, 2000, pp. 47-54.

     

    [26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor                                                                       

     

    [27]Central Weather Bureau. (1996). The historical data of the daily average temperature and daily cloud density (from January 1995 to September 1996). Taipei, Taiwan, R.O.C.

     

    [28]Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3), 311–319.

     

    [29]Chen, S. M. (2002). Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems: An International Journal, 33(1), 1–16.

     

    [30]Chen, S. M., & Hwang, J. R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 30(2), 263–275.

     

    [31]Gen, M., & Cheng, R. (1997). Genetic algorithms and engineering design. New York: John Wiley & Sons.

     

    [32]Goldberg, D. E. (1989). Genetic algorithm in search, optimization, and machine learning. Massachusetts: Addison-Wesley.

     

    [33]Goldberg, D. E., Korb, B., & Deb, K. (1989). Messy genetic algorithms: motivation, analysis, and first results. Complex Systems, 3(5), 493–530.

     

    [34]Holland, J. H. (1975). Adaptation in natural and artificial systems. Cambridge, MA: MIT Press.

     

    [35]Huarng, K. (2001a). Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.

     

    [36]Huarng, K. (2001b). Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 123(3), 369–386.

     

    [37]Hwang, J. R., Chen, S. M., & Lee, C. H. (1998). Handling forecasting problems using fuzzy time series. Fuzzy Sets and Systems, 100(2), 217–228.

     

    [38]Lee, L. W., & Chen, S. M. (2004). Temperature prediction using genetic algorithms and fuzzy time series. In Proceedings of the 2004 international conference on information management, Miaoli, Taiwan, Republic of China (pp. 299–306).

     

    [39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H. (2004). A new method for handling forecasting problems based on two-factors high-order fuzzy time series. In Proceedings of the 2004 ninth conference on artificial intelligence and applications, Taipei, Taiwan, Republic of China.

     

    [40]Song, Q. (2003). A note on fuzzy time series model selection with sample autocorrection functions. Cybernetics and Systems: An International Journal, 34(2), 93–107.

     

    [41]Song, Q., & Chissom, B. S. (1993a). Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3), 269–277.

     

    [42]Song, Q., & Chissom, B. S. (1993b). Forecasting enrollments with fuzzy time series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.

     

    [43]Song, Q., & Chissom, B. S. (1994a). Some properties of defuzzification neural networks. Fuzzy Sets and Systems, 61(1), 83–89.

     

    [44]Song, Q., & Chissom, B. S. (1994b). Forecasting enrollments with fuzzy time series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.

     

    [45]Sullivan, J., & Woodall, W. H. (1994). A comparison of fuzzy forecasting and Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.

     

    [46]Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353

     

    [47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with Artificial Neural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.

     

    [48] J. Shao, “Application of artificial neural networks to improve short-term road ice forecasts”, Expert Systems With Applications, vol. 14, pp 471-482, 1998.

     

    [49] J. Shao, “Improving Now casts of Road Surface Temperature by a Back propagation Neural Network”, Weather and Forecasting, vol. 13, pp. 164-171, 1998.

     

    [50] G. Emmanouli, G. Galantis & G.Kallos, “Statistical methods for the prediction of night-time cooling and minimum temperature”, Meterol. Appl, vol. 13, pp. 169- 178, 2006.

     

    [51] J.P. Lhomme, L.Guilioni, “A simple model for minimum crop temperature forecasting during nocturnal cooling”, Agricultural and Forest Meterology, vol .123, pp. 55-68, 2004.

     

    [52] O.Guerrera, “Frost damage bill tipped to reach $500m in north”, Sept 2006; http://www.theage.com.au/news/national/frost-damage-billtipped- to-reach-500m-innorth/

    2006/09/25/1159036473098.html

     

    [53] Wolfram Mathworld, “Least Square Fitting – Pollynomial”; http://mathworld.wolfram.com/LeastSquaresFittingPolyno mial.html

     

    [54]Attia, A. F. 2005 in press

     

    [55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1

     

    [56]Briffa, K.R., & Jones, P.D. 1993, The Holocene, 3,77

     

    [57]Dergachev,V., & Kartavykh, Y. 2002, 34th COSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA

     

    [58]Folland, C.K., & Parker, D.E. 1995, Quarterly Journal of the Royal Meteorological Society, 121, 319

     

    [59]Huang, S. 2004, Geophys Res Letters, 31, 13, CiteID, L3205

     

    [60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371

     

    [61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G. 1999, Reviews of Geophysics, 37, 173

     

    [62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.) 1995, Cambridge University Press, 133

     

    [63]Jones, P.D., & Bri_a, R. 1992, The Holocene, 2, 165

     

    [64]Levitus, S., Antonov, J., & Boyer, T. 2005, Geophys. Res. Letters, 32, 2, Cite ID L02604

     

    [65]Meehl, G.A. 2004, J.Climate

     

    [66]Maha, S.Q. 2004 Cospar, 2004, Paris

     

    [67]Nicholls, N., et al. 1996, Climate Change

     

    [68]North,G.R. 2004: American Geophysical Union, Meeting 2004,abstract SH51E-06

     

    [69]Pang,K.D., & Yau, K.K. 2004, American Astronomical society Meeting 205, 44.01

     

    [70]Yousef, S. 2003, ESA SP-535, ISBN 92-9092- 845-X, 397

     

    مجله علم و کامپیوتر [71]www.ccwmagazine.com

    [72]   www.wikipedia.com

    [73]  www.talkorigins.org

    [74]   www.gpwiki.org

    [75] پاورپوینت Koza   www.smi.stanford.edu/people/koza

    [76]  دانشکده کامپیوتر دانشگاه McGill کانادا www.cgm.cs.mcgill.ca

    [77]www.sharifthinktank.com

    [78] www.itna.com

    [79]  Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham

     

پروپوزال در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, گزارش سمینار در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, تز دکترا در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, رساله در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, پایان نامه در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, تحقیق در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, مقاله در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, پروژه دانشجویی در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, تحقیق دانشجویی در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, مقاله دانشجویی در مورد پایان نامه پیش بینی دما با استفاده از روش های هوشمند, پروژه دانشجویی درباره پایان نامه پیش بینی دما با استفاده از روش های هوشمند
ثبت سفارش
عنوان محصول
قیمت