پیش بینی سیلاب با مدل ترکیبی چند مقایسه شبکه عصبی مصنوعی موجکی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 709

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IFMC02_008

تاریخ نمایه سازی: 1 مهر 1394

چکیده مقاله:

مدلسازی منطقی و دقیق فرایند بارش- رواناب به عنوان اولین و مهمترینگام در راستای مبارزه با سیلاب به عنوان یک بلای طبیعی می باشد. برای مطالعه ی این فرایند استوکاستیک امروزه از مدل های جعبه ی سیاه هوش مصنوعی مدل شبکه های عصبی مصنوعی که قابلیت پیش بینی و مدلسازی غیرخطی را نیز دارا می باشد بطور گستردهای استفاده می شود. همزمان با گسترش استفاده از شبکه های عصبی مصنوعی، استفاده از آنالیز موجک در زمینه ی هیدرولوژی نیز مطرح گردیده است. ترکیب این دو قابلیت، مدل ترکیبی با کارایی بهتر در پیش بینی فرایندهای هیدرولوژیکی به نام شبکه های عصبی- موجکی را به وجود می آورد. در این مقاله نخست مبانی این شبکه ها بیان شده و سپس با بهره گیری از آن به مطالعه موردی حوضه لیقوان چای پرداخته شده است. نتایج بیانگر آن است که این روش نسبت به روش های کلاسیک گذشته و روش هایی همانند استفاده از شبکه عصبی تنها، کارایی بالاتری را دارا می باشد. چرا که روی میزان تأثیر داده های سری زمانی قبل از ورود به شبکه تفکیک پذیری صورت می گیرد و سیگنال اولیه به چندین زیرسیگنال تجزیه شده که با این کار این امکان فراهم می آید که بتوان از یک آنالیز که تأثیرات کوتاه مدت و بلند مدت را در بر می گیرد بهره مند شد که این به نوبه خود شبکه را در ارزیابی و تخمین های آینده بهینه تر می سازد.

کلیدواژه ها:

نویسندگان

مهدی کماسی

استادیار گروه عمران دانشگاه آیت الله العظمی بروجردی (ره)

سروش شرقی

دانشجوی رشته مهندسی عمران دانشگاه آیت الله العظمی بروجردی (ره)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • runoff variability isolating climatic from anthropogenic مححح 5. Nakken, M., ...
  • Nourani, V., Monadjemi, P., Singh, V.P., Liquid analog model for ...
  • Hsu, K., Gupta, H.V., Sorooshian, S., Artificial neural network modeling ...
  • Ozelkan, E.C., Duckstein, L., Fuzzy conceptual rainfall-runof models, J. of ...
  • Tokar, A.S., Johnson, P.A., Rain-runoff modeling using artificial neural networks, ...
  • Denyanov, V., Soltani, S., Kanevski, M., Conu, S., Maignan, M., ...
  • Jayawardena, A.w., Xu, P., Tsang, F.L.L., Rainfall predication by wavelet ...
  • Canns, B., Fanni, A., See, L, Sias, G., Data preprocessing ...
  • Kim, T., Valdes, J.B., Nonlinear model for drought forecasting based ...
  • Wang, W., Ding, S., Wavelet network mode and its application ...
  • Anctil, F., Tape, G.D., An exploration of artificial neural network ...
  • Mallat, S .G., A wavelet tour of signal processing, Academic ...
  • Nourani, V., Komasi, M., Taghi Alami, M., Hybrid Wave let-Genetic ...
  • نمایش کامل مراجع