{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TA357",
        "title": "ارائه الگوریتمی برای دستیابی به عدم قطعیت مدل شبکه عصبی مصنوعی درپیش بینی خشکسالی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TA357",
        "title": "ارائه الگوریتمی برای دستیابی به عدم قطعیت مدل شبکه عصبی مصنوعی درپیش بینی خشکسالی",
        "degree": null,
        "faculty": "مهندسی عمران",
        "year": 1396,
        "authors": [
            {
                "name": "حسن صالحی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "Saeed Golian گلیان",
                "role": "استاد راهنما"
            },
            {
                "name": "روح الله نوری",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "پیش بینی خشکسالی",
            "عدم قطعیت",
            "شبکه های عصبی",
            "شبکه های فازی"
        ],
        "abstract": "خشکسالی پدیده‌ای خزشی و جزئی طبیعی از اقلیم هر منطقه می‌باشد که اثرات شدید اقتصادی، زیست محیطی و اجتماعی را در پی دارد. کشور ایران سرزمینی خشک می‌باشد و از شرایط خشکسالی در سال‌های اخیر زیان بسیار دیده است. توسعه ابزار به منظور نظارت مؤثر و پیش‌بینی شدت خشکسالی با دقت بالا و محاسبه عدم قطعیت آن می‌تواند به سیاست گذاران در جهت کاهش آسیب‌پذیری و برنامه‌ریزی دقیق در جهت مقابله با این پدیده کمک کند.\r\nدر دهه‌های گذشته شبکه‌های عصبی توانایی زیادی در مدل‌سازی و پیش‌بینی سری‌های زمانی نشان داده‌اند. در این پژوهش قرار است که با استفاده از ANN و ANFIS به مدل‌سازی و پیش‌بینی خشکسالی پرداخته شود و در گام بعدی با محاسبه عدم قطعیت هر کدام از مدل‌ها مدل مناسب با دقت بالا انتخاب گردد. از آنجا که انتخاب داده‌های ورودی نقش مهمی در آموزش شبکه‌های عصبی دارد و تاکنون در تمام تحقیق‌های گذشته از الگوریتم انتخاب کاملاً تصادفی استفاده شده است سعی بر ارائه الگوریتم جدیدی برای انتخاب داده‌های ورودی در مرحله آموزش شده است.\r\nنتایج نهایی نشان می‌دهد که اگرچه مدل ANFIS نسبت به مدل ANN، مقدار R2 کمتری را نشان می‌دهد ولی دارای عدم قطعیت کمتری نسبت به مدل ANN بوده است که این نشان از برتری مدل ANFIS نسبت به مدل ANN دارد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TA357.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}