استفاده از سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی (anfis) جهت مدل سازی سری های زمانی چندمتغیره هیدرولوژیکی

پایان نامه
چکیده

مدل سازی و پیش بینی سری های زمانی یک مسئله بسیار مهم در چند دهه اخیر بوده و کاربرد وسیعی در زمینه های مختلف علوم و مهندسی از جمله هیدرولوژی دارد. در این راستا تخمین پارامترهای مدل های مختلف سری های زمانی یکی از مراحل اساسی در مدل سازی سری های زمانی است. روش های ارائه شده در این زمینه از جمله روش گشتاورها، دارای روابطی پیچیده و تقریبی به خصوص در مدل های چندمتغیره زمانی و مکانی می باشندکه مستلزم صرف وقت زیاد و بررسی روابط مختلف برای هر مدل می باشد. در این تحقیق با استفاده از سیستم های استنتاج فازی بر پایه شبکه عصبی تطبیقی، روشی جدید و موثر جهت تخمین پارامترهای مدل های مختلف سری های زمانی تک متغیره و چند متغیره ارائه شده است. جهت بررسی کارآیی این روش از داده های هیدرولوژیکی حوضه آبریز سد زاینده رود استفاده شده و پارامترهای مدل های مختلف سری های زمانی تخمین زده شده است. همچنین مدل هایی که پارامترهای آن ها از روش گشتاورها حاصل شده است، تشکیل شده اند. سپس پیش بینی سری های زمانی با استفاده از این مدل ها انجام شده است. جهت بررسی بهتر، پیش بینی ها با سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی و شبکه پرسپترون چندلایه نیز انجام شده است و نتایج حاصل با نتایج قبلی مقایسه شده اند. جهت مقایسه نتایج، از معیار میانگین قدرمطلق تفاوت(mae) استفاده شده است. نتایج شبیه سازی ها نشان می دهد روش ارائه شده از کارآیی بالایی برخوردار می باشد و می توان از آن به عنوان مدلی هوشمند جهت مدل سازی سری های زمانی تک متغیره و چندمتغیره استفاده نمود.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)

در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه به­درستی برقرار کند. بدین منظور برای پیش­بینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها به­صورت روزانه طی دوره 32 سال آماری وارد م...

متن کامل

طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)

 تقاضای روزافزون استفاده از وسایل حمل و نقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. تأثیرات زیست محیطی، اجتماعی و اقتصادی که گره های ترافیکی بر جوامع بشری می گذارد محققین را برآن داشته است که به دنبال راه کارهایی برای مقابله با آن باشند. یکی از این راه کارها پیش بینی حجم ترافیک روزانه است. پیش بینی ترافیک به کنترل کننده ها کمک می کند ت...

متن کامل

مدل سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (anfis) در gis

فرآیند اکتشاف منابع هیدروکربنی فرآیندی بسیار پیچیده و پرهزینه می باشد. در این فرایند فاکتورهای متعدد زمین شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می شوند.  طراحی بهترین مسیر برای برداشت داده های لرزه نگاری و همچنین  تعیین بهترین محل برای حفر چاه های اکتشافی از اهمیت ویژه ایی برخوردار است، زیرا عدم دقت در انتخاب موقعیت مکانی، صرف هزینه و زمان زیاد در طول عملیات می باشد. هدف این تحقیق تعیین م...

متن کامل

پیش‌‌بینی 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...

متن کامل

تعیین قواعد بهره‌برداری از مخزن سد درودزن با استفاده از شبکه ‌عصبی تطبیق‌پذیر مبتنی بر سیستم استنتاج فازی (ANFIS)

Nowadays, water resource management has been shifted from the construction of new water supply systems to the management and the optimal utilization of the existing ones. In this study, the reservoir operating rules of Doroodzan dam reservoir, located in Fars province, were determined using different methods and the most efficient model was selected. For this purpose, a monthly nonlinear multi-...

متن کامل

منابع 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 @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023