در این پایان نامه ابتدا با استفاده از شبکه عصبی پرسپترون چند لایه با ساختار‏‏‏‏‏‏‏‏‏های بهینه‏ی حاصل شده از سعی و خطا جریان متوسط ماهانه حوزه لیقوان در قالب مدل بارش-جریان محاسبه شده است. سپس، از مدل نروفازی (anfis) به منظور بهبود عملکرد مدل‏های آموزشی بهره گرفته شده است. شایان ذکر است در مدل انفیس تعیین ساختار فازی اولیه نقش مهمی را ایفا می‏نماید؛ در این راستا روش‏های کلاسه بندی متداول شاملfuzzy c means (fcm) و subtractive برای تعیین تعداد اولیه قوانین فازی و توابع عضویت در ساختار فازی مورد بررسی قرار گرفت و نهایتا کارایی و قابلیت مدل‏های fcm-anfis و subtractive-anfis ارزیابی و مقایسه شد. از آمار 41 سال بارش ایستگاه‏های تبریز، زینجناب، قرمزیگل و دمای ایستگاه لیقوان برای پیش بینی جریان زیر‏حوزه در ایستگاه هروی (واقع در خروجی حوزه) استفاده شده است. نتایج نشان می‏دهد در مدلسازی با شبکه عصبی پرسپترون چند لایه شاخص nse برابر 72/0 می‏باشد. همچنین، شاخص nse برای مدل‏های fcm-anfis و subtractive-anfis به ترتیب 84/0 و 8/0 بدست آمد. در مرحله بعد، به منظور افزایش دقت برآورد‏ مدل‏ها از روش موجک برای آماده سازی داده‏های ورودی استفاده شد. به همین منظور مدل‏های هیبریدی عصبی- موجک (wavelet-ann)، و مدل‏های هیبریدی انفیس- موجک که بر اساس ساختار کلاسه‏بندی شامل دو مدل مجزای fcm-wanfis و subtractive-wanfis می‏شود؛ برای توسعه مدل‏های پیش‏بینی جریان ماهانه زیر‏حوزه لیقوان به کار گرفته شد. در کاربرد تبدیل موجک گسسته، ابتدا موجک مادر مناسب و تعداد مراحل تجزیه‏ی سیگنال‏های ورودی به کمک آنالیز حساسیت تعیین شد. بدین منظور موجک‏های مختلف و متداول sym2، sym3، haar، db3، db4 و coif1 مورد بررسی قرار گرفته و در نهایت موجک sym2 به عنوان مناسب‏ترین موجک مادر با تعداد مراحل تجزیه 3 انتخاب شد. در مدل‏های توسعه یافته هیبریدی، شاخص nse مدل‏های wavelet-ann، subtractive-wanfis و fcm-wanfis به ترتیب برابر 87/0، 95/0 و 97/0 بدست آمد. نتایج بیانگر آن است که عملکرد مدل‏های انفیس بهتر از مدل‏های شبکه عصبی (ann) می‏باشد. همچنین، تجزیه سیگنال با استفاده از آنالیز موجکی گسسته باعث افزایش کارایی و دقت مدل‏ها می‏شود. مضافا آنکه fcm-wanfis بهترین کارایی را در پیش‏بینی جریان حوزه لیقوان بخصوص در نقاط پیک جریان دارا است.

چکیده ندارد.