ارزیابی کارایی روش توابع متعامد تجربی نسبت به سیستم استنتاج فازی و شبکه عصبی مصنوعی برای پیشبینی جریان
Authors
Abstract:
برای پیشبینی مقدار جریان ورودی، معمولا دو روش کلی مدلسازی متکی به فرآیند و مدلسازی متکی به داده استفاده میشود. از جمله روشهای متکی به داده در زمینه پیشبینی جریان رودخانه، مدلهای شبکه عصبی مصنوعی، مدلهای رگرسیون، مدلهای سریزمانی و مدلهای منطقفازی میباشد. در این تحقیق کارایی روش دیگری به نام تکنیک توابع متعامد تجربی نسبت به روشهای شبکه عصبی مصنوعی و سیستم استنتاج فازی برای پیشبینی جریان ماهانه ورودی به مخزن سد لتیان مورد ارزیابی قرار گرفت. پنج مدل ساخته شده توسط شبکه عصبی مصنوعی و سیستم استنتاج فازی شبیه هم بوده که بستگی به باران، دما و دبی دارد و مدلهای ساخته شده توسط توابع متعامد تجربی فقط بستگی به دبی در ایستگاه لتیان و ایستگاههای مجاور دارد. ابتدا برای هر مدل بهترین ترکیب شناسایی شد سپس فاکتورهای آماری CE ، MAPE ، RMSE و CORR در بهترین ترکیبهای هر مدل مورد مقایسه قرار گرفت. نتایج عددی نشان داد بهترین مدل مربوط به سیستم استنتاج فازی میباشد. لذا کارایی این مدل نسبت به مدل های شبکه عصبی و توابع متعامد بیشتر میباشد
similar resources
ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب
سابقه و هدف: توسعه روشهای برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازهگیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاههای اندازه گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدلها)بین سیلاب و ویژگیهای فیزیکی حوضه انجام می گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه...
full textمقایسه مدلهای شبکه عصبی مصنوعی و سیستم استنتاج فازی در پیشبینی میزان بارندگی استان کردستان
پدیده بارش تابع عوامل زیادی می باشد که پیش بینی آن به روش های معمول آماری از دقت کمی برخوردار است. پیش بینی بارش با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی در سال های اخیر، توجه زیادی معطوف شده است. استان کردستان با مساحتی حدود 28203 کیلومتر مربع بین 34 درجه و 45 دقیقه تا 36 درجه و 28 دقیقه عرض شمالی و 42 درجه و 31 دقیقه تا 48 درجه و 16 دقیقه طول شرقی به دلیل ریزش جوی زیاد یکی از پرآب ...
پیشبینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی
مدلهای مفهومی بر مبنای هوش مصنوعی، اغلب برای پیشبینیهای کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیشبینیها1 (ESP) و تفکیک مدلسازی برای متغیرهای اقلیمیو هیدرولوژیکی، از مدلهای مفهومی برای پیشبینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده میشود. سیستم استنتاج فازی برای پیشبینی بار...
full textمقایسه کاربرد شبکه عصبی مصنوعی (ANN) با سیستم استنتاج فازی (FIS) در پیش بینی جریان رودخانه زاینده رود
یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدلسازی سیستمهایی که دارای پیچیدگی زیاد یا عدمصراحت بوده و یا دادههای کافی از آنها موجود نیست، استفاده از تئوری مجموعههای فازی و شبکه عصبی مصنوعی میباشد. مزیت اصلی این تکنیکها نسبت به روشهای رایج این است که در مدت زمان نسبتاً کوتاهی قادر به بررسی تأثیر انواع پارامترهای در دسترس، بر فرآیند مورد بررسی میباشند بدون آنکه در هر مرتبه نیاز به یافتن...
full textپیشبینی جریان روزانه رودخانه اهرچای با استفاده از روش های شبکه های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)
در طی سالهای اخیر پیشبینی فرآیندهای هیدرولوژیکی به منظور بهرهبرداری پایدار از منابع آب با استفاده از روشهای هوشمند مورد توجه دست اندرکاران بخش آب قرار گرفته است. در این تحقیق با بهرهگیری از شبکههای عصبی مصنوعی (ANN) و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) اقدام به پیشبینی دبی جریان روزانه رودخانه اهر چای واقع در استان آذربایجان شرقی در ایستگاه های اورنگ، برمیس و تازه کند گردید. بر...
full textکارایی شبکههای عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدلسازی بارش- رواناب در حوضه آبخیز سد زایندهرود
در دهههای اخیر بهدلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیشبینی رواناب از روی دادههای بارش به مسئلهای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشتهها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکههای عصبی مصنوعی است. در این تح...
full textMy Resources
Journal title
volume 4 issue 2
pages 29- 37
publication date 2014-02-20
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023