Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

بهبود عملکرد روش KNN در پیش بینی جریان ورودی به سد با استفاده از روش های هوش مصنوعی

سال انتشار: 1399
کد COI مقاله: DTCE06_014
زبان مقاله: فارسیمشاهده این مقاله: 164
فایل این مقاله در 9 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 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بهبود عملکرد روش KNN در پیش بینی جریان ورودی به سد با استفاده از روش های هوش مصنوعی

احسان ابراهیمی - کارشناس ارشد، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی
مجتبی شوریان - استادیار، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی

چکیده مقاله:

پیش بینی جریان آب یکی از مهمترین بخش های مدیریت منابع آب می باشد. پیش بینی های دقیق در بلند مدت برایبرنامه ریزی تامین و ذخیره سازی آب و در کوتاه مدت برای پیش بینی جریان های شدید و استفاده آن در سیستم هایهشدار سیل حائز اهمیت می باشد. مدل های داده مبنا به عنوان روش هایی نسبتا ساده اما قدرتمند به طور گسترده برایپیش بینی جریان آب استفاده می شوند. روش K همسایه نزدیک (KNN) یک روش یادگیری غیر پارامتری موثر استکه در حل مسائل مختلف مورد استفاده قرار می گیرد. در این پژوهش، یک روش جدید برای انتخاب همسایه ها به نامK همسایه نزدیک پویا (DKKN) معرفی شده که با استفاده از یک مدل SVM فواصل بهینه ای یافته شده وهمسایگانی که در این فاصله بهینه وجود دارند برای هر مورد پیش بینی استفاده می شوند. عملکرد روش پیشنهادی بابه کارگیری ۲ سال داده ورودی روزانه سد قشلاق در غرب ایران مورد ارزیابی قرار گرفته است. نتایج نشان می دهد روشپیشنهادی دقت پیش بینی را با کاهش خطای کلی (RMSE) به میزان ۶%، بهبود می دهد که این بهبود در پیش بینیموارد حدی به ۷/۸% می رسد.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا DTCE06_014 میباشد و 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/1197932/

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:
ابراهیمی، احسان و شوریان، مجتبی،1399،بهبود عملکرد روش KNN در پیش بینی جریان ورودی به سد با استفاده از روش های هوش مصنوعی،ششمین همایش و نمایشگاه سد و تونل ایران،تهران،https://civilica.com/doc/1197932

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، ابراهیمی، احسان؛ مجتبی شوریان)
برای بار دوم به بعد: (1399، ابراهیمی؛ شوریان)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

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: 26,293
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.

مقالات مرتبط جدید

طرح های پژوهشی مرتبط جدید

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