مدل‌سازی جریان ورودی به مخزن با استفاده از شبکه‌های عصبی زمانی با رویکرد عامل فراموش‌کننده

در این مقاله، روشی بازگشتی با عامل فراموش کننده برای کالیبراسیون پیوسته شبکه های عصبی زمانی پیشنهاد می شود . رویکرد عامل فراموش کننده الگوریتم های بازگشتی را قادر می سازد تا تأثیر داده ها و خطاهای قدیمی را در بهنگام سازی و آموزش مدل کاهش دهند . روش پیشنهادی برای کالیبراسیون شبکه عصبی به منظور مدل سازی جریان ورودی به مخزن استفاده می گردد . ری زمانی ماهانه ورودی به مخزن سد کارون ۳ در جنوب غربی ایران برای ارزیابی عملکرد رویکرد پیشنهادی استفاده می شود . همچنین، مدل خودهمبسته میانگین متحرک (ARMA) نیز در این مطالعه به منظور مقایسه به کار گرفته می شود . نتایج تحقیق حاکی از عملکرد بهتر شبکه عصبی زمانی کالیبره شده با این رویکرد از لحاظ دقت پیش بینی در مقایسه با شبکه عصبی آموزش داده شده با روش های معمول می باشد . همچنین، شبکه عصبی با رویکرد آموزش پیشنهادی دقت بیشتری را در مدل سازی نسبت به مدل آماری ARMA که با رویکرد عامل فراموش کننده کالیبره شده، نشان می دهد

کلیدواژه ها:

عصبی زمانی ، عامل فراموش‌کننده ، پیش‌بینی ، ARMA