مقایسه بین مدل تجربی اصلاح شده و مدل آماری در پیش بینی جریان
Publish Year: 1389
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 875
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
INCWR01_010
تاریخ نمایه سازی: 4 فروردین 1390
Abstract:
پیش بینی دقیق جریان رودخانه ای به عنوان یک فاکتور مهم در مدیریت ریسک سیلاب مطرح می باشد. در این تحقیق از دو مدل آماری و تجربی اصلاح شده به منظور پیش بینی جریان ماهانه استفاده شده است. اولین مدل براساس روش آماری ناپارامتریk- نزدیک ترین همسایه و دومین مدل ترکیبی از تکنیک تحلیل مولفه های اصلی و شبکه های عصبی مصنوعی می باشد. در این تحقیق تکنیک تحلیل مولفه های اصلی به عنوان روشی موثر در کاهش ابعاد متغیرهای ورودی به مدل و متعامد کردن آنها استفاده شده است. دو معماری مختلف از شبکه های عصبی مصنوعی شامل شبکه عصبی پیشرو و شبکه عصبی بازگشتی با به کارگیری سه الگوریتم آموزشی متفاوت شامل الگوریتم های لونبرگ- مارکوت ، تنظیم بیزینی و الگوریتم آموزشی پس انتشار خطا با کاهش شیب و نرخ یادگیری تطبیقیمورد بررسی قرار گرفته است. نتایج نشان دهنده برتری مدل های شبکه عصبی تلفیق شده با تکنیک تحلیل مولفه های اصلی می باشد. مدل های شبکه عصبی بازگشتی با معماری1-10-10-3 و شبکه پیشرو با معماری 1-4-4-3 والگوریتم آموزشی لونبرگ- مارکوت که فرایند تحلیل مولفه های اصلی بر آن اعمال شده است، برای هر یک از این دو مدل، کارایی بهتری را نسبت به بقیه مدل ها نشان دادند. همچنین شبکه عصبی بازگشتی کارایی نسبتا بهتری را در مقایسه با شبکه feed-forward برای پیش بینی جریان ماهانه نشان می دهد. این تحقیق بر روی رودخانه لار در ایستگاه ورودی به مخزن سد لار انجام شده است.
Keywords:
Authors
احمد رادمهر
دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه تهران
شهاب عراقی نژاد
استادیار دانشگاه تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :