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

Peformance improvement of Neural Networks in daily streamflow prediction using principal component analysis

سال انتشار: 1391
کد COI مقاله: ICCE09_545
زبان مقاله: انگلیسیمشاهد این مقاله: 922
فایل این مقاله در 8 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 8 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Peformance improvement of Neural Networks in daily streamflow prediction using principal component analysis

M. R. Fallah Haghgoo Lialestani - MSc Graduate in Water Engineering, Sarvab Consulting Engineers Co., Mashhad, Iran
M. B. Sharifi - Associate Professor, Department of Civil Engineering, Ferdowsi University of Mashhad, Iran
M Mirabi - Islamic Azad University, Torbat-e Heydariyeh Branch, Departemant of Civil Engineering, Torbat-e Heydariyeh, Iran

چکیده مقاله:

Successful river flow time series forecasting is a major goal and an essential procedure that is necessary in water resources planning and management. The objective of this study is to evaluate the effectiveness of Principal Component Analysis (PCA) in the improvement of the ANN model performance. In this work, we develop and test two artificial neural networks (MLP, GRNN) to forecast streamflow. MLP and GRNN models, including the original ANN model without data preprocessing, were set up and evaluated. Understanding the temporal relationships between climatic drivers and streamflow is fundamental to the model development. statistical approach depending on cross-, auto- and partial-autocorrelation of the observed data is used as a good alternative to the trial and error method in identifying model inputs. these analyses revealed temporal dependencies between the climate-flow datasets. we modeled the flow using the Principal Component Analysis (PCA) technique that reduces the number of input variables to include only the ones effective in ANN (PCA-ANN). The performance of ANN models in training and testing stages are compared with the observed streamflow values to identify the best fit forecasting model based upon a number of selected performance criteria. Under the overall consideration including the model performance and the complexity of modeling, the MLP-PC4 model was optimal

کلیدواژه ها:

Streamflow, MLP, GRNN, Principal Component Analysis

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/165613/

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:
Fallah Haghgoo Lialestani, M. R. و Sharifi, M. B. و Mirabi, M,1391,Peformance improvement of Neural Networks in daily streamflow prediction using principal component analysis,نهمین کنگره بین الملی مهندسی عمران,اصفهان,,,https://civilica.com/doc/165613

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: (1391, Fallah Haghgoo Lialestani, M. R.؛ M. B. Sharifi و M Mirabi)
برای بار دوم به بعد: (1391, Fallah Haghgoo Lialestani؛ Sharifi و Mirabi)
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

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

مقالات 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