بهینه سازی ساختار شبکه عصبی مصنوعی در پیش بینی دبی رسوب با استفاده از روش تاگوچی

در دهه های اخیر شبکه های عصبی مصنوعی به عنوان ابزاری موفق در تخمین و پیش بینی پدیده های هیدرولوژیکی به کار گرفته شده اند. اگرچه استفاده از شبکه ­های عصبی مصنوعی امکان برآورد بار معلق رسوب رودخانه ­ها را با دقت و سرعت مناسب فراهم کرده است، اما دقت پیش­ بینی این مدل­ ها، به میزان زیادی تحت­ تاثیر دانش و درک کاربر از شبکه عصبی مصنوعی قرار دارد. در مطالعات منابع طبیعی و به ویژه مطالعات هیدرولوژی و رسوب سنجی، توجه کمی به بهینه سازی ساختار شبکه عصبی مصنوعی شده است و بطور معمول از روش آزمون و خطا برای ایجاد یک ساختار بهینه استفاده می­شود. در تحقیق حاضر برای یافتن بهترین ساختار شبکه عصبی مصنوعی در پیش بینی بار رسوبی رودخانه نکا از روش بهینه ­سازی تاگوچی استفاده شد. چهار فاکتور مهم در ساختار شبکه ­های عصبی مصنوعی شامل تعداد نرون در لایه­ پنهان اول، تعداد نرون در لایه­ پنهان دوم، الگوریتم آموزش و تابع انتقال که از عوامل اثرگذار بر برآورد خروجی شبکه عصبی مصنوعی هستند، در سه سطح مختلف در طراحی آزمایشات تاگوچی در نظر گرفته شد. نتایج نشان داد که ساختار بهینه شبکه عصبی با ۳ نرون در لایه پنهان اول (سطح سه)، ۷ نرون در لایه پنهان دوم (سطح دو)، الگوریتم آموزش لونبرگ-مارکوارت[۱] (سطح سه) و تابع انتقال پیورلاین[۲](سطح دو) می­باشد که می­تواند دبی رسوب نکارود را با دقت بالا برآورد کند.   [۱]Levenberg-Marquarate [۲] Purelin

کلیدواژه ها:

Sediment load of river ، Taguchi design of experiment ، Nekaroud watershed ، بار رسوبی رودخانه ، روش طراحی آزمایشات تاگوچی ، حوزه آبخیز نکارود