ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه بندی و اطلاعات مشترک

سال انتشار: 1398
کد COI مقاله: JR_JNACE-3-2_003
زبان مقاله: فارسیمشاهد این مقاله: 150
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه بندی و اطلاعات مشترک

غلامرضا عندلیب - دکترای سازه های هیدرولیکی دانشکده مهندسی عمران دانشگاه تبریز تبریز، ایران
وحید نورانی - گروه ههندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران
حسین منیری فر - کارشناسی ارشد مهندسی سازه، گروه مهندسی سازه، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران
الناز شرقی - گروه مهندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران

چکیده مقاله:

در این مقاله پیش بینی چند ایستگاهه رواناب با استفاده از تبدیل موجک و شبکه عصبی مصنوعی خودسازمانده و مدل های هوش مصنوعی در حوضه آبریز Little River Watershed (LRW) انجام گردید. بطوریکه سری های زمانی رواناب توسط تبدیل موجک تجزیه گشته و سپس زیرسری های تجزیه شده توسط شبکه عصبی مصنوعی خودسازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی رواناب خروجی حوضه آبریز LRW بکار گرفته شدند. مدلسازی چند ایستگاهه بارش-رواناب بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، شبکه عصبی مصنوعی خودسازمانده و اطلاعات مشترک توانایی پیش بینی رواناب چند ایستگاهه را نسبت به مدل های هوش مصنوعی که از خاصیت مارکف بهره می برند تا 23 درصد بهبود می بخشد. بطور کلی، استفاده از خاصیت فصلی بودن پدیده ها به همراه کاهش ابعاد ورودی ها، می تواند به مدل های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.

کلیدواژه ها:

اطلاعات مشترك, تبديل موجك, حوضه آبريز LRW, نقشه هاي خودسازمانده, هوش مصنوعي

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/949136/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
عندلیب، غلامرضا و نورانی، وحید و منیری فر، حسین و شرقی، الناز،1398،توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه بندی و اطلاعات مشترک،،،،،https://civilica.com/doc/949136

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، عندلیب، غلامرضا؛ وحید نورانی و حسین منیری فر و الناز شرقی)
برای بار دوم به بعد: (1398، عندلیب؛ نورانی و منیری فر و شرقی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • Ghafari, G. A., and Vafakhah, M., 2013, Simulation of Rainfall-Runoff ...
  • Pournemat Roudsari, A., Qaderi, K. and Karimi-Googhari, S., 2014, Rainfall ...
  • Kwin, C. T., Talei A., Alaghmand S. and Chua L. ...
  • Chadalawada, J., Havlicek V. and Babovic V., 2016, Genetic Programming ...
  • Nourani, V., 2017, An Emotional ANN (EANN) Approach to Modeling ...
  • Pournemat Roudsari, A., Khashei-Siuki A. and Karimi-Googhari, S., 2015, Daily ...
  • Haghizadeh, A., Mohammadlou, M. and Noori F., 2015, Simulation of ...
  • Gizaw, M. S. and Gan, T. Y., 2016, Regional Flood ...
  • Hosseini, S. M. and Mahjouri, N., 2016, Integrating Support Vector ...
  • Nourani, V., Baghanam, A. H., Adamowski, J. and Kisi, O., ...
  • Nourani, V. and Andalib, G., 2015, Daily and Monthly Suspended ...
  • Nourani, V. and Parhizkar, M., 2013, Conjunction of SOM-Based Feature ...
  • Chang, F. J., Chang, L. C., Huang, C. W. and ...
  • Nourani, V., Khanghah, T. R. and Baghanam, A. H., 2015, ...
  • Nourani, V. and Komasi, M., 2013, A Geomorphology-Based ANFIS Model ...
  • Lee, W. K. and Resdi, T. A. T., 2016, Simultaneous ...
  • Bosch, D. D., Sullivan, D. G. and Sheridan, J. M., ...
  • Mallat, S. G., 1998, A Wavelet Tour of Signal Processing, ...
  • Shannon, C. E., 1948, A mathematical theory of communications I ...
  • Yang, H. H., Vuuren, S. V., Sharma, S. and Hermansky, ...
  • Kohonen, T., 1997, Self-Organizing Maps, Springer-Verlag, Berlin, Heidelberg. ...
  • Kim, T. and Valdes, J. B., 2003, Nonlinear Model for ...
  • Suykens, J. A. K. and Vandewalle, J., 1999, Least Square ...
  • Price, K., Jackson, C. R. and Parker, A. J., 2010, ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 18,599
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی