تحلیل و ارزیابی بهینه سازی ورودی های حاصل از Data Mining در طراحی مدل بهینه برآورد رواناب توسط الگوریتم RPROP در شبکه های عصبی مصنوعی FTDNN و Fgam

برآورد میزان رواناب کمتر ازمقدار واقعی خطر سیلاب پیش بینی بیش از مقدار واقعی، تهدید جدی در پایداری توسعه مدیریت منابع آب را در پی خواهد داشت در این پژوهش با استفاده از تکنولوژی جدید واستفاده از ایده ابتکاری دیتا ماینینگ تلاش شده است تا با کشف روابط پنهان میانپارامترهای ورودی و تشخیص موثرترین عامل بهترین پارامترهای جهت پیش بینی رواناب توسط شبکه عصبی مصنوعی کشف شود.نتایج بررسی و آنالیز حساسیت بیش از 3500 مدل ایجاد وتحلیل شده نشان می دهد ترکیبات مختلف اختلاف دمادر این حوضه موثرترین عامل هستند.

کلیدواژه ها:

داده کاوی ، برآورد رواناب ، شبکه عصبی مصنوعی ، Data Mining ، Artifical Neural ، Networks الگوریتم اموزش RPROP ، FTDNN ، Fgam تولید ورودی مصنوعی از داده های مشاهداتی