مقایسه کارآیی شبکه های عصبی CANFIS، MLP و MLP بهینه شده به روش ژنتیک در شبیه سازی رسوب معلق رودخانه (مطالعه موردی: حوزه آبخیز زشک- ابرده، شاندیز)
Publish place: Journal of Watershed Management Research، Vol: 9، Issue: 17
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 334
This Paper With 13 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:
JR_JWMR-9-17_011
تاریخ نمایه سازی: 4 مهر 1400
Abstract:
در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S۱ از ورودی دبی آب، سناریوی S۲از دبی آب و باران روزانه و سناریوی S۳از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S۳_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE (ضریب نش) برابر با ۷۴۳/۰ و AM (سنجه جمعی) برابر با ۸۰۶/۰ نسبت به S۲_CANFIS و S۱_CANFIS کارایی بهتری در پیش بینی بار رسوبی دارد. نتایج شبکه MLPحاکی از این است که سناریوی S۲_MLP با معماری ۵ نورون مخفی در ۲ لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با ۶۰۴/۰ و AM برابر با ۶۲۶/۰ در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. ازآنجایی که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S۲_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با ۶۵۸/۰ و AM برابر با ۶۵۵/۰ نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی CANFISبا MLP-GA مشخص می شود که CANFIS عملکرد بهتری را در پیش بینی رسوب حوزه نسبت به سایر شبکه ها داشته است. اما بااین وجود درمجموع شبکه عصبی در این حوزه کارایی کاملا رضایت بخشی را در پیش بینی دقیق بار رسوبی نشان نداد که این می تواند ناشی از کمبود داده های آموزشی (به ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.
Keywords:
Neural network , CANFIS , Multi-Layer Perceptron , Genetic Algorithm , Sensitivity analysis , Water discharge , Sediment load , ژنتیک , پرسپترون چندلایه , تحلیل حساسیت , دبی آب , دبی رسوب , شبکه عصبی , شبکه عصبی فازی
Authors
سید محمد تاجبخش فخرآبادی
دانشگاه بیرجند
هادی معماریان خلیل آباد
دانشگاه بیرجند
فاطمه محمدی گیوشاد
دانشگاه بیرجند
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 :