مقایسه بین مدل تجربی اصلاح شده و مدل آماری در پیش بینی جریان

سال انتشار: 1389
محل انتشار: نخستین کنفرانس پژوهشهای کاربردی منابع آب ایران
کد COI اختصاصی: INCWR01_010
زبان مقاله: فارسی
تعداد مشاهده: 937

نویسندگان

دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه تهران

استادیار دانشگاه تهران

چکیده

پیش بینی دقیق جریان رودخانه ای به عنوان یک فاکتور مهم در مدیریت ریسک سیلاب مطرح می باشد. در این تحقیق از دو مدل آماری و تجربی اصلاح شده به منظور پیش بینی جریان ماهانه استفاده شده است. اولین مدل براساس روش آماری ناپارامتریk- نزدیک ترین همسایه و دومین مدل ترکیبی از تکنیک تحلیل مولفه های اصلی و شبکه های عصبی مصنوعی می باشد. در این تحقیق تکنیک تحلیل مولفه های اصلی به عنوان روشی موثر در کاهش ابعاد متغیرهای ورودی به مدل و متعامد کردن آنها استفاده شده است. دو معماری مختلف از شبکه های عصبی مصنوعی شامل شبکه عصبی پیشرو و شبکه عصبی بازگشتی با به کارگیری سه الگوریتم آموزشی متفاوت شامل الگوریتم های لونبرگ- مارکوت ، تنظیم بیزینی و الگوریتم آموزشی پس انتشار خطا با کاهش شیب و نرخ یادگیری تطبیقیمورد بررسی قرار گرفته است. نتایج نشان دهنده برتری مدل های شبکه عصبی تلفیق شده با تکنیک تحلیل مولفه های اصلی می باشد. مدل های شبکه عصبی بازگشتی با معماری1-10-10-3 و شبکه پیشرو با معماری 1-4-4-3 والگوریتم آموزشی لونبرگ- مارکوت که فرایند تحلیل مولفه های اصلی بر آن اعمال شده است، برای هر یک از این دو مدل، کارایی بهتری را نسبت به بقیه مدل ها نشان دادند. همچنین شبکه عصبی بازگشتی کارایی نسبتا بهتری را در مقایسه با شبکه feed-forward برای پیش بینی جریان ماهانه نشان می دهد. این تحقیق بر روی رودخانه لار در ایستگاه ورودی به مخزن سد لار انجام شده است.

کلیدواژه ها

شبکه عصبی، نزدیکترین همسایه، تحلیل مولفه های اصلی،الگوریتم آموزشی، پیش بینی جریان

مقالات مرتبط جدید

اطلاعات بیشتر در مورد 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.