بهینه‌سازی ساختار شبکه عصبی مصنوعی در پیشبینی دبی رسوب با استفاده از روش تاگوچی
Authors
Abstract:
در دهه های اخیر شبکه های عصبی مصنوعی به عنوان ابزاری موفق در تخمین و پیش بینی پدیده های هیدرولوژیکی به کار گرفته شده اند. اگرچه استفاده از شبکه های عصبی مصنوعی امکان برآورد بار معلق رسوب رودخانه ها را با دقت و سرعت مناسب فراهم کرده است، اما دقت پیش بینی این مدل ها، به میزان زیادی تحت تاثیر دانش و درک کاربر از شبکه عصبی مصنوعی قرار دارد. در مطالعات منابع طبیعی و به ویژه مطالعات هیدرولوژی و رسوب سنجی، توجه کمی به بهینه سازی ساختار شبکه عصبی مصنوعی شده است و بطور معمول از روش آزمون و خطا برای ایجاد یک ساختار بهینه استفاده میشود. در تحقیق حاضر برای یافتن بهترین ساختار شبکه عصبی مصنوعی در پیش بینی بار رسوبی رودخانه نکا از روش بهینه سازی تاگوچی استفاده شد. چهار فاکتور مهم در ساختار شبکه های عصبی مصنوعی شامل تعداد نرون در لایه پنهان اول، تعداد نرون در لایه پنهان دوم، الگوریتم آموزش و تابع انتقال که از عوامل اثرگذار بر برآورد خروجی شبکه عصبی مصنوعی هستند، در سه سطح مختلف در طراحی آزمایشات تاگوچی در نظر گرفته شد. نتایج نشان داد که ساختار بهینه شبکه عصبی با 3 نرون در لایۀ پنهان اول (سطح سه)، 7 نرون در لایۀ پنهان دوم (سطح دو)، الگوریتم آموزش لونبرگ-مارکوارت[1] (سطح سه) و تابع انتقال پیورلاین[2](سطح دو) میباشد که میتواند دبی رسوب نکارود را با دقت بالا برآورد کند. [1]Levenberg-Marquarate [2] Purelin
similar resources
تخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان
Prediction of sediment load transported by rivers is a crucial step in the management of rivers, reservoirs and hydraulic projects. In the present study, in order to predict the suspended sediment of Taleghan river by using artificial neural network, and recognize the best ANN with the highest accuracy, 500 daily data series of flow discharge on the present day, flow discharge on the past day...
full textیافتن مناسبترین ساختار شبکه عصبی مصنوعی با استفاده از روش طراحی آزمایشات تاگوچی
چکیده تأخیر در تأمین نفت گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به دنبال دارد؛ بنابراین پیش بینی دقیق تقاضای نفت گاز بسیار مهم است. استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود ...
full textپیشبینی آماری پهنه بندی خطر زلزله احتمالی با استفاده شبکه های عصبی مصنوعی
پیشبینی محل وقوع زلزله‌های آتی همراه با تعیین درصد احتمال رخداد، میتواند در کاهش خطرات ناشی از زلزله بسیار سودمند باشد. تعیین محل‌های پیشبینی شده، سبب افزایش توجه به طراحی، به‌سازی لرزهای و ارزیابی قابلیت اعتمادپذیری سازه‌های موجود در این مکان‌ها میشود. در پیشبینی زمان وقوع زلزله فرضیه‌ها و نظریه‌های گسترده‌ای مطرح است. هنوز شیوه‌ای دقیق برای پیشبینی زمان رخداد زلزله‌های آتی مورد تأیید ق...
full textمقایسه کارایی پیشبینی دبی ماهانه با استفاده از روش‌های شبکه عصبی مصنوعی و سری‌های زمانی
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سری‌های زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سال‌های 1356 تا 1386 پیریزی شد. در روش ...
full textMy Resources
Journal title
volume 15 issue 43
pages 89- 97
publication date 2019-01
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023