مدل بارندگی-رواناب با استفاده از تئوری موجک و شبکه های عصبی مصنوعی (مطالعه موردی هلیل رود)

ظهور تئوریهای توانمند مانند منطق فازی و شبکه های عصبی مصنوعی (ANN) ، الگوریتم ژنتیک و اخیرا موجک تحولی عظیم در تحلیل رفتار سیستم های دینامیک در علوم مختلف مهندسی آب ایجاد کرده است. در تحقیق حاضر عملکرد شبکه عصبی پرسپترون چند لایه (MLP)، در برآورد و پیش بینی جریان روزانه رودخانه هلیل با استفاده از الگوریتم آموزشی پس انتشار خطا بررسی شده و به منظور بالا بردن راندمان عملکرد شبکه عصبی مصنوعی، داده های آموزشی و آزمون با استفاده از موجک به سیگنالهایی تفکیک شده اند (افزار گردیده اند). با استفاده از داده های موجکی شبکه را آموزش داده و سپس نتایج آزمون با عکس تبدیل موجک به حالت نرمال برگردانده شده و نتایج محاسباتی و مشاهداتی مورد ارزیابی آماری قرار گرفته اند. نتایج حاکی از بهبود عملکرد شبکه عصبی مصنوعی با استفاده از داده های موجکی می باشد.

کلیدواژه ها:

موجک ، شبکه های عصبی مصنوعی ، هلیل رود ، مدل بارندگی رواناب