پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مؤلفه های اصلی

Authors

یوسف حسن زاده

امین عبدی کردانی

مریم شفیعی نجد

سعید خوش طینت

abstract

پیش­­بینی دقیق جریان روزانه، نقش به­سزایی در مدیریت کارآمد منابع آب ایفا می­کند. به این منظور در این تحقیق سعی شده است که جهت مدل­سازی هرچه دقیق­تر فرآیند پیش بینی جریان روزانه رودخانه نوران­چای واقع در حوضه آتشگاه، از شبکه­های عصبی مصنوعی (ann) استفاده ­گردد. همچنین به منظور افزایش کارآیی ann از تجزیه مؤلفه های اصلی (pca) جهت پیش پردازش داده­های ورودی استفاده گردیده و درنهایت داده­های خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (mlr) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ann-pca در قیاس با مدل ann منفرد و mlr از دقت بسیار بالایی برخوردار است. به­طوری­که نتایج معیارهای ارزیابی شامل ضریب همبستگی (cc)، ضریب راندمان (ec) و جذر میانگین مربعات خطاها (rmse) برای مدل ترکیبی ann-pca (در مرحله صحت­سنجی) برابر 9959/0=cc، 9905/0=ec و 0071/0=rmse، مدل ann منفرد (در مرحله صحت­سنجی) برابر 9093/0=cc، 8269/0=ec و 0405/0=rmse و مدل mlr برابر 8866/0=cc، 7860/0=ec و 0926/0=rmse به دست آمدند. همچنین استفاده از pca به عنوان یک روش مؤثر جهت پیش پردازش داده­ها، با ایجاد مؤلفه های مستقل از هم موجب از بین رفتن هم خطی چندگانه می­شود. بنابراین pca موجب افزایش کارآیی مدل ann می­گردد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه‌های عصبی مصنوعی- تجزیه مؤلفه‌های اصلی

پیش­­بینی دقیق جریان روزانه، نقش به­سزایی در مدیریت کارآمد منابع آب ایفا می­کند. به این منظور در این تحقیق سعی شده است که جهت مدل­سازی هرچه دقیق­تر فرآیند پیش‌بینی جریان روزانه رودخانه نوران­چای واقع در حوضه آتشگاه، از شبکه­های عصبی مصنوعی (ANN) استفاده ­گردد. همچنین به‌منظور افزایش کارآیی ANN از تجزیه مؤلفه‌های اصلی (PCA) جهت پیش‌پردازش داده­های ورودی استفاده گردیده و درنهایت داده­های خروجی حا...

full text

پیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیش­بینی دقیق جریان در رودخانه­ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی­ها است. به دلیل اهمیت پیش­بینی جریان رودخانه، در این تحقیق جریان روزانه رودخانه­ی باراندوزچای در دو ایستگاه بی­بکران و دیزج طی یک دوره­ی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) می­باشد، پیش­بینی گرد...

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه­های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می­باشد. برای این منظور، از داده­های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل­های پیش­بینی و از داده­های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل­های پیش­بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش­بینی مدل ترکیبی...

full text

پیش بینی نوسانات بازده بازار با استفاده از مدل های ترکیبی گارچ ـ شبکه عصبی

در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره 126 ماهه بر روی بازده روزانه شاخص کل بورس تهران (TEDPIX) پرداخته شده است. نتایج بررسی این مدل ها تأیید کننده وجود سه ویژگی نوسان خوشه ای، عدم تقارن و نیز غیر خطی بودن، در سری زمانی بازده می باشد. سپس با هدف افزایش قدرت پیش بینی، این مدل ها با شبکه های عصبی مصنوعی ترکیب شده اند و نتایج حاصل از طرق ...

full text

تحلیل عدم قطعیت مدل های شبکه عصبی و نروفازی در پیش بینی جریان رودخانه

پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می‌گردند، همواره با مشکلاتی همراه بوده است. یکی از روش‌هایی که می‌تواند این مشکل را تا حدی کاهش دهد، تحلیل‌ عدم قطعیت پیش‌بینی‌های انجام شده می‌باشد. این تحلیل‌ها در مدل‌های آماری سابقه طولانی دارند، ولی برای مدل‌های شبکه عصبی و نروفازی کمتر مورد استفاده قرا...

full text

My Resources

Save resource for easier access later


Journal title:
دانش آب و خاک

Publisher: دانشگاه تبریز

ISSN 2008-5133

volume 25

issue 3 2015

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023