تعیین بهترین شبکه عصبی در هیبرید با CLA جهت پیش بینی بارندگی
محل انتشار: چهاردهمین کنفرانس ملی هیدرولیک ایران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 703
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IHC14_108
تاریخ نمایه سازی: 16 اسفند 1394
چکیده مقاله:
بارش یکی از مهمترین داده های ورودی به سیستم هیدرولوژی و مدیریت منابع آب محسوب می شود .پیش بینی این پدیده برای اهداف مختلفی مانند برآورد سیلاب ،خشکسالی ، رواناب ، رسوب ،مدیریت حوزه آبریز ، کشاورزی ، برنامه ریزی آبیاری و غیره از اهمیت زیادی برخوردار است. در این تحقیق دقت اتوماتون یادگیر (CLA) و شبکه عصبی در دسته بندی روز های بارندگی و غیر بارندگی بررسی و مقایسه شده است. نتایج حاصله نشان داد که دقت طبقه بندی(CLA (R2=0.796 بهتر شبکه عصبی (R2=0.566) می باشد . در ادامه جهت پیش بینی مقدار بارندگی با استفاده از شبکه عصبی دو تابع بادگیر LM و BFGS مورد بررسی قرار گرفت. همچنین مقدار بارش با استفاده از هیبرید شبکه عصبی مصنوعی و آتوماتون سلولی یادگیر نیز بدست آمد. نتایج حاصله نشان داد هر چند که تابع یادگیر LM با مقادیر R2=0.839 و RMSE=0.222 دارای دقت مناسبی در پیش بینی بارندگی می باشد، اما هیبرید آتوماتون سلولی یادگیر با شبکه های عصبی (R2=0.88) قادر است با دقت بالاتری میزان بارش را پیش بینی نماید تکنیک ارائه شده در این مقاله می تواند به عنوان یک ابزار قدرتمند جهت پیش بینی در مسائل مربوط به منابع آب و هیدرولوژی و موارد مشابه آن استفاده شود .
کلیدواژه ها:
آتوماتون یادگیر ، آتوماتون سلولی ، آتوماتون سلولی -یادگیر ، پیش بینی آب و هوا ، یادگیری ماشین ، شبکه عصبی مصنوعی
نویسندگان
Zahra Asaie
Islamic Azad University, Science and Research Branch-Bushehr, Bushehr, Iran
Reza Mohammadpour
Islamic Azad University,Estahban Iran
Mehdi Sadeghzadeh
Islamic Azad University, Computer Department Electrical and Computer College, Mahshahr Iran
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 :