پیشبینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکههای عصبی مصنوعی- تجزیه مؤلفه‌های اصلی
نویسندگان
چکیده مقاله:
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 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 به‌دست آمدند. همچنین استفاده از PCA به‌عنوان یک روش مؤثر جهت پیش‌پردازش دادهها، با ایجاد مؤلفه‌های مستقل از هم موجب از بین رفتن هم خطی چندگانه میشود. بنابراین PCA موجب افزایش کارآیی مدل ANN میگردد.
منابع مشابه
پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مؤلفه های 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 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 حا...
متن کاملتولید مصنوعی جریان رودخانه با استفاده از شبکههای عصبی مصنوعی
در این مطالعه قابلیت مدلهای شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی میشود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است. بر این اساس مدل، سری‌های بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با ...
متن کاملپیشبینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکههای عصبی مصنوعی المانی (ENN)
برآورد صحیح آبدهی رودخانهها یکی از موارد مهم در پیشبینی خشکسالی، سیلاب، طراحی سازه‌های آبی، بهره‌برداری از مخازن سدها و کنترل رسوب میباشد. از این‌رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روشهای هوشمند مانند شبکههای عصبی مصنوعی و روشهای مختلف داده‌کاوی بهره گرفته‌اند. در این مطالعه، جهت پیشبینی جریان روزانه رودخانه اهرچای، از روشهای شبکه عصبی مصنوعی المانی (ENN) و قوانین درخت...
متن کاملمدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی
Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optim...
متن کاملپیش¬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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 25 شماره 3
صفحات 53- 63
تاریخ انتشار 2015-11-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023