ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بررسی کارایی روش دسته بندی گروهی داده ها و تبدیل موجک در پیش بینی رواناب(مطالعه موردی: حوضه آبریز قره سو)

سال انتشار: 1399
کد COI مقاله: JR_WATER-10-4_005
زبان مقاله: فارسیمشاهد این مقاله: 153
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی کارایی روش دسته بندی گروهی داده ها و تبدیل موجک در پیش بینی رواناب(مطالعه موردی: حوضه آبریز قره سو)

محمدرضا گودرزی - استادیار دانشکده عمران، دانشگاه یزد، یزد
حسام گودرزی - کارشناسی ارشد مهندسی آب و سازه های هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران،

چکیده مقاله:

امروزه بکارگیری مدل­های داده محور ابزارهای جدیدی برای شبیه­سازی و مدلسازی در علوم مختلف می­باشد. فرآیند بارش- رواناب از مهم­ترین و پیچیده­ترین پدیده­ها در چرخه هیدرولوژی است. در این مطالعه ضمن معرفی مدل ترکیبی موجک-دسته­بندی گروهی داده­ها، کارایی آن جهت مدل­سازی فرآیند بارش-رواناب حوضه آبریز قره­سو مورد مطالعه قرار گرفت. در ابتدا سری­های زمانی بارش و رواناب با استفاده از تبدیل موجک به چندین زیرسری تجزیه گشته تا بر ناایستایی آن غلبه گردد. سپس این زیرسری­های زمانی به عنوان ورودی روش دسته­بندی گروهی داده­ها برای پیش­بینی رواناب روزانه درنظر گرفته شده است. کارایی مدل ترکیبی با شاخص­های ضریب تبیین(DC) و ریشه میانگین مربعات خطا(RMSE) ارزیابی شدند. نتایج حاصل از مدل­ها بیانگر آن است که بیشترین مقدار ضریب تبیین و مقدار ریشه میانگین خطا برای مدل منفرد GMDH به ترتیب 65/0 و 07/0 و برای مدل ترکیبی به ترتیب 91/0 و 05/0 است. دلیل برتری مدل ترکیبی نسبت به مدل منفرد ناشی از این است که مدل ترکیبی دسته­بندی گروهی داده­­های موجکی، به جای استفاده از سری زمانی داده­های بارش و رواناب در یک مقیاس کلی، از چندین زیرسری پردازش شده زمانی با درجات تجزیه مختلف به عنوان ورودی در مدل استفاده می­نماید. همچنین نتایج نشان داد که مدل ترکیبی  Wavelet-GMDHدر مقایسه با سایر مدل­های ترکیبی مانند شبکه عصبی مصنوعی موجکی(WANN) به سبب عملکرد لایه­ای مدل GMDH که دربرگیرنده ترکیبات دوتایی از متغیرهای ورودی است و با انتخاب تعداد نرون­های بهینه در هر لایه حرکت به سمت داده­های پیش­بینی شده را جهت­دهی می­نماید، دارای کارایی و دقت بیشتری است.

کلیدواژه ها:

روش دسته بندی گروهی داده ها, تبدیل موجک, تابع موجک, مدلسازی بارش-رواناب, حوضه آبریز قره سو

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1032086/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
گودرزی، محمدرضا و گودرزی، حسام،1399،بررسی کارایی روش دسته بندی گروهی داده ها و تبدیل موجک در پیش بینی رواناب(مطالعه موردی: حوضه آبریز قره سو)،،،،،https://civilica.com/doc/1032086

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399، گودرزی، محمدرضا؛ حسام گودرزی)
برای بار دوم به بعد: (1399، گودرزی؛ گودرزی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود ممقالهقاله لینک شده اند :

  • ایوانی، ز.، احمدی، م.، قادری، ک.، 1395، برآورد بار معلق ... [مقاله ژورنالی]
  • پورحقی، ا.، سلگی، ا.، رائمنش، ف.، شهنی دارابی، م.، 1397، ...
  • دوانلوتاجبخش، ع.، نورانی، و.، مولاجو، ا.، 1398، بررسی کارایی مدل ...
  • کماسی، م.، شرقی، س.، 1396، روندیابی عوامل موثر بر کاهش ...
  • کماسی، م.، نوذری، ح،. قشلاقی، ن.، 1395، پیش­بینی تراز آب ...
  • Hsu, K.L., Gupta, H.V. and Sorooshian, S., 1995. Artificialneural network ...
  • Ivakhnenko, A.G., 1968. The Group Method of Data of Handling; ...
  • Nakken, M., 1999. Wavelet analysis of rainfall–runoff variability isolating climatic ...
  • Nikolaev, N.Y. and Iba, H., 2003. Polynomial harmonic GMDH learning ...
  • a) Nourani, V., Alami, M.T. and Aminfar, M.H., 2009. A ...
  • b)  Nourani, V., Komasi, M. and Mano, A., 2009. A ...
  • Nourani, V., Baghanam, A.H., Adamowski, J. and Kisi, O., 2014. ...
  • Santin, I., 2015. Effluent Predictions in Wastewater Treatment Plants for ...
  • Singh, V.P., 1989. Hydrologic systems: watershed modeling. Prentice Hall, University ...
  • Zhang, H., Liu, X., Cai, E., Huang, G. and Ding, ...
  • Zahabiyoun, B., Goodarzi, M.R., Bavani, A.M. and Azamathulla, H.M., 2013. ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 12,602
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی