Andere Kunden interessierten sich auch für
![Some Model Selection Criteria based on Incomplete or Complete data]( "Some Model Selection Criteria based on Incomplete or Complete data")
Some Model Selection Criteria based on Incomplete or Complete data32,99 €![Sélections de modèle en régression par tests multiples hiérarchiques]( "Sélections de modèle en régression par tests multiples hiérarchiques")
Sélections de modèle en régression par tests multiples hiérarchiques26,99 €![Modèles Non-Linéaires en Prédiction de Séries Temporelles]( "Modèles Non-Linéaires en Prédiction de Séries Temporelles")
Modèles Non-Linéaires en Prédiction de Séries Temporelles72,99 €![Description et prédiction de données structurées en plusieurs tableaux]( "Description et prédiction de données structurées en plusieurs tableaux")
Description et prédiction de données structurées en plusieurs tableaux38,99 €![Prédiction de l''interaction entre génotype et environnement au Sahel]( "Prédiction de l''interaction entre génotype et environnement au Sahel")
Prédiction de l''interaction entre génotype et environnement au Sahel32,99 €![Estimation non paramétrique robuste de la fonction de régression]( "Estimation non paramétrique robuste de la fonction de régression")
Estimation non paramétrique robuste de la fonction de régression25,99 €![Classification et prédiction des titres de transit]( "Classification et prédiction des titres de transit")
Classification et prédiction des titres de transit36,99 €
Le présent travail porte sur la prédiction des teneurs en métaux lourds (Zn, Cu, Pb et Mn) dans les sédiments superficiels du barrage Sidi Chahed à partir d'un certain nombre de paramètres physico-chimiques, en utilisant deux outils de modélisation : la régression linéaire multiple RLM et les réseaux de neurones artificiels RNA. Pour atteindre cet objectif de prédiction et de modélisation, la régression linéaire multiple et non linéaire ont été réalisée avec XLSTAT alors que les réseaux de neurones ont été effectués avec le logiciel STATISTICA 10. mLes modèles prédictifs obtenus avec les réseaux de neurones utilisent un algorithme de rétro-propagation et un apprentissage supervisé. Ils sont performants avec une seule couche cachée et une architecture de [18 - 15 -1] pour le plomb et le zinc, de [18-11 -1] pour le manganèse et de [18 - 8 -1] pour le cuivre. Les résultats montrent que les modèles prédictifs établis par la méthode des réseaux de neurones artificiels, sont nettement plus performants comparativement à ceux établis par la méthode basée sur la régression linéaire multiple.