کاربرد ماشین بردار پشتیبان در پیش بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای ارومیه)

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 416

فایل این مقاله در 9 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CEWE01_202

تاریخ نمایه سازی: 14 آذر 1394

چکیده مقاله:

روش های متعدی همچون مدل های سری زمای، شبکه های عصبی مصنوعی، منطق فازی و برنامه ریزی ژنتیک برای پیش بینی جریان رودخانه به کار می رود. در مطالعه حاضر به منظور پیش بینی جریان رودخانه باراندوزچای از روش جدید ماشین بردار پشتیبان (SVM) استفاده شد. در این مطالعه دبی جریان روزانه رودخانه باراندوزچای ارومیه در دوره آماری 1389-1385 برای ایجاد مدل استفاده شد. جهت بررسی و ارزیابی نقش حافظه در افزایش یا کاهش دقت، الگوهای ورودی متعددی به سیستم وارد شد ودر نهایت مشخص گردید که با افزایش حافظه دقت مدل سازی نیز افزایش می یابد به طوری که بیشترین دقت در الگوی سوم (سه تاخیر زمانی در ورودی های مدل) به دست می آید و سپس با افزایش حافظه از دقت مدل سازی کاسته می شود. نتایج نشان داد که مدل ماشین بردار پشتیبان به ترتیب با دارا بودن ضریب همبستگی و جذر میانگین مربعات خطای 0/936 و (m3/s)2/77 در مرحله آموزش و 0/976 و (m3/s) 1/80 در مرحله صحت سنجی از دقت قابل قبولی در پیش بینی جریان روزانه رودخانه برخوردار است.

کلیدواژه ها:

پدیده های غیر خطی ، پیش بینی ، ماشین بردار پشتیبان

نویسندگان

علیرضا امیررضائیه

دانشجوی دکتری مهندسی منابع آب دانشگاه علوم و تحقیقات تهران- ارائه دهنده مقاله

فرشاد احمدی

دانشجوی دکتری مهندسی منابع آب دانشگاه شهید چمران اهواز

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 :
  • Kisi, O., (2007), Streamflow forecasting using different artificial neural network ...
  • Maier, H.R., and Dandy, G., (2000), Neural networks for prediction ...
  • Govindaraju, R.S., (2000), Artificial neural network in hydrology, Journal of ...
  • Wang, W.C., Chau, K.W., Cheng, C.T., and Qiu, L., (2009), ...
  • Kisi, O., and Cimen, M., (2011), A wave let-support vector ...
  • Vapnik, V., (1995), The Nature of Statistical Learning Theory, Springer ...
  • Pai, P.F., Hong, W.C, (2007), A recurrent support vector regression ...
  • Hamel, L., (2009), Knowledge Discovery with Support Vector Machines, Hoboken, ...
  • Yu, P.S., Chen, S.T., Chang, I.F., (2006), Support vector regression ...
  • Chen, S.T., P.S., Yu, . (2007), Real-time probabilistic forecasting of ...
  • نمایش کامل مراجع