Performance assessment among hybrid algorithms in tuning SVR parameters to predict pipe failure rates
- سال انتشار: 1392
- محل انتشار: مجله بین المللی پیشرفت در علوم کامپیوتر، دوره: 2، شماره: 5
- کد COI اختصاصی: JR_ACSIJ-2-5_007
- زبان مقاله: انگلیسی
- تعداد مشاهده: 756
نویسندگان
Department of Computer Engineering, Rouzbahan Higher Education Institute Sari, Iran
Assistant Professor, Irrigation and Drainage Engineering Department, Aboureyhan Campus,University of Tehran Tehran, Iran
چکیده
Pipe failures often occur in water distribution networks and result in large water loss and social-economic damage. To reduce the water loss and maintain the conveyance capability of a pipenetwork, pipes that experienced a severe failure history are often necessary to be replaced. Several studies and methods have beenintroduced for predicting failure rates in urban water distribution network pipes by researchers, each of them has some specialfeatures regarding the effective parameters and many methods such as Classical and Intelligent methods are used, leading to some improvements. In this paper, the method incorporates hybrid support vector machine and heuristic algorithms techniques for efficient tuning of SVM meta-parameters forpredicting water distribution network. Performance results are Compared with continuous genetic algorithm-based SVR (SVRGA),continuous ant colony algorithm-based SVR (SVR-ACO), particle swarm optimization-based SVR (SVR-PSO), artificial neural networks (ANNs) and adaptive neuro-fuzzy inference systems (ANFIS).کلیدواژه ها
Support vector regression, Heuristic algorithms,Kernel functions, Loss functions, Pipe failure ratesمقالات مرتبط جدید
- استفاده از اینترنت اشیا در بهبود مدیریت بار و افزایش کارایی شبکه های برق
- بهینه سازی توان در سیستم های چند هسته ای با استفاده از یادگیری تقویتی و تخصیص منابع
- بررسی مدارهای مجتمع آنالوگ کم مصرف برای کاربردهای پزشکی
- Physical Layer Security in ۵G Networks Using ArtificialInterference
- یک روش جدید در سیستم های توصیه گر برای پیش بینی سلیقه کاربران با استفاده ازالگوریتم بهینه سازی نهنگ
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.