بررسی قابلیت مدل ترکیبیpso-anfisدر پیش بینی عمق آبشستگی

درسال­های اخیر، فن های داده­کاوی و یادگیری ماشین در زمینه­های مختلف برای ساخت سامانه های اطلاعاتی هوشمند توسعه یافته اند. بااین حال، تعداد کمی از روش­های ارائه شده توانایی پشتیبانی برخط را داشته و یا دارای انعطاف پذیری در آنالیز حجم زیادی از داده­ها می­باشند. در تحقیق حاضر، به­منظور به دست آوردن تخمین­های مناسب از پیش­بینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات (pso) استفاده شد. آنالیزها با استفاده از 188 دادۀ صحرایی عمق آبشستگی پایه منفرد که به وسیله سازمان حفاظت خاک آمریکا (usgs) ثبت گردیده، انجام شد. به منظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیش­بینی­های کوتاه مدت از روش مومنتوم استفاده شد. نتایج نشان دادندکه روش pso-anfis با کم­ترین ریشه میانگین مربعات خطا (rmse) نسبت به دیگر مدل­های ارائه شده، دقت بیش­تری دارد. ازاین رو، این روش با اطمینان بیشتری می­تواند مورداستفاده طراحان و مهندسین قرار گیرد.