Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

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)

Year: 1397
COI: JR_JWMR-9-17_011
Language: PersianView: 122
This Paper With 13 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

سید محمد تاجبخش فخرآبادی - دانشگاه بیرجند
هادی معماریان خلیل آباد - دانشگاه بیرجند
فاطمه محمدی گیوشاد - دانشگاه بیرجند

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:

Paper COI Code

This Paper COI Code is JR_JWMR-9-17_011. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1275461/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
تاجبخش فخرآبادی، سید محمد و معماریان خلیل آباد، هادی و محمدی گیوشاد، فاطمه،1397،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) ،https://civilica.com/doc/1275461

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 :

  • Alp, M. and H.K. Cigizoglu. ۲۰۰۷. Suspended sediment load simulation ...
  • Araghinejad, S. and M. Karamouz. ۲۰۰۵. Long-Lead Stream Flow Forecasting ...
  • American Society of Civil Engineers (ASCE). ۲۰۰۰. Artificial neural networks ...
  • Asselman, N.E.M. ۲۰۰۰. Fitting and interpretation of sediment rating curves. ...
  • Aytek, A. ۲۰۰۹. Co-active neurofuzzy inference system for evapotranspiration modeling. ...
  • Aziz, K., A. Rahman, A.Y. Shamseldin and M. Shoaib. ۲۰۱۳. ...
  • Chuan, C.S. ۱۹۹۷. Weather prediction using artificial neural network. Journal ...
  • Coulibaly, P.F., A. Anctil and B. Bobee. ۲۰۰۰. Daily reservoir ...
  • Dastorani, M.T. ۲۰۰۷. Evaluation of the Application of Artificial Intelligence ...
  • Dastorani, M.T., H. Sharifi Darani, A. Talebi and A. Moghadam ...
  • Dastorani, M.T., Kh. Azimi Fafhi, A. Talebi and M.R. Ekhtesasi. ...
  • Dehghani, A., A. Zanganeh, M.E. Mosaedi and N. Kouhestani. ۲۰۰۹. ...
  • Dehghani, N. and M. Vafakhah. ۲۰۱۳. Comparison of Daily Suspended ...
  • Ebrahimpour. M., S.K. Balasundram, J. Talib, A.R. Anuar and H. ...
  • Faghih, H. ۲۰۱۰. Evaluating Artificial Neural Network and its Optimization ...
  • Feiznia, S., H. Asgari and M. Moazzami. ۲۰۰۸. Investigating the ...
  • Hagan, M.T. and M.B. Menhaj. ۱۹۹۴. Training feedforward networks with ...
  • Hemachandra, S. and R.V.S. Satyanarayana. ۲۰۱۳. Co-active neuro-fuzzy inference system ...
  • Holland, J.H. ۱۹۷۵. Adaptation in natural and artificial systems: an ...
  • Jang, J.S. ۱۹۹۳. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions ...
  • Jang, J.S.R., C.T. Sun and E. Mizutani. ۱۹۹۷. Neuro-fuzzy and ...
  • Kisi, O., A.H. Dailr, M. Cimen and J. Shiri. ۲۰۱۲. ...
  • Kisi, O. and A. Guven. ۲۰۱۰. A machine code-based genetic ...
  • Melesse, A.M., S. Ahmad., M.E. McClain, X. Wang and Y.H. ...
  • Memarian, H. and S.K. Balasundram. ۲۰۱۲. Comparison between multi-layer perceptron ...
  • Memarian, H., M.P. Bilondi and M. Rezaei. ۲۰۱۶. Drought prediction ...
  • Memarian, H., S. Feiznia and K. Zakikhani. ۲۰۰۹. Estimating river ...
  • Memarian, H., S.K. Balasundram and M. Tajbakhsh. ۲۰۱۳. An expert ...
  • Menhaj, M.B. ۲۰۰۲. The Basics of Neural Networks. Amir Kabir ...
  • Mohammadi, Y., P. Fathi, A. Najafi Nejad and N. Nura. ...
  • Mosaedi, A. and S. Hashemi. ۲۰۰۵. Comparison of Artificial Neural ...
  • Mosaedi, A., M. Jalali and M. Najafi Hajipour. ۲۰۰۷. Estimation ...
  • Mustafa, M.R., R.B. Rezaur, S. Saiedi and M.H. Isa. ۲۰۱۲. ...
  • Nash, J.E. and J.V. Sutcliffe. ۱۹۷۰. River flow forecasting through ...
  • Nourani, V. and L. Malekani. ۲۰۱۰. Use of comparative neuro-fuzzy ...
  • Principe, J.C., N.R. Euliano and W.C. Lefebvre. ۲۰۰۰. Neural and ...
  • Principe, J.C., W.C. Lefebvre, G. Lynn, C. Fancourt and D. ...
  • Rezaei, M. and H. Memarian. ۲۰۱۵. Application of Rainfall Time ...
  • Rumelhart, D.E. and D. Zipser. ۱۹۸۶. Feature discovery by competitive ...
  • Safari, A.F., D. Smedt and F. Moreda. ۲۰۱۲. WetSpa model ...
  • Tan, Y. and A.Van Cauwenberghe. ۱۹۹۹. Neural-network-based d-step-ahead predictors for ...
  • Tfwala, S.S., Y.M. Wang and Y.C. Lin. ۲۰۱۳. Prediction of ...
  • Wilson, D.R. and T.R. Martinez. ۲۰۰۳. The general inefficiency of ...
  • Yosefi, M. and R. Poorshariaty. ۲۰۱۴. Suspended Sediment Estimation using ...
  • Zare Abyaneh, H. and M. Bayat Varkeshi. ۲۰۱۱. Evaluation of ...
  • Zealand, C.M., D.H. Burn and S.P. Simonovic. ۱۹۹۹. Short term ...
  • Alp, M. and H.K. Cigizoglu. ۲۰۰۷. Suspended sediment load simulation ...
  • Araghinejad, S. and M. Karamouz. ۲۰۰۵. Long-Lead Stream Flow Forecasting ...
  • American Society of Civil Engineers (ASCE). ۲۰۰۰. Artificial neural networks ...
  • Asselman, N.E.M. ۲۰۰۰. Fitting and interpretation of sediment rating curves. ...
  • Aytek, A. ۲۰۰۹. Co-active neurofuzzy inference system for evapotranspiration modeling. ...
  • Aziz, K., A. Rahman, A.Y. Shamseldin and M. Shoaib. ۲۰۱۳. ...
  • Chuan, C.S. ۱۹۹۷. Weather prediction using artificial neural network. Journal ...
  • Coulibaly, P.F., A. Anctil and B. Bobee. ۲۰۰۰. Daily reservoir ...
  • Dastorani, M.T. ۲۰۰۷. Evaluation of the Application of Artificial Intelligence ...
  • Dastorani, M.T., H. Sharifi Darani, A. Talebi and A. Moghadam ...
  • Dastorani, M.T., Kh. Azimi Fafhi, A. Talebi and M.R. Ekhtesasi. ...
  • Dehghani, A., A. Zanganeh, M.E. Mosaedi and N. Kouhestani. ۲۰۰۹. ...
  • Dehghani, N. and M. Vafakhah. ۲۰۱۳. Comparison of Daily Suspended ...
  • Ebrahimpour. M., S.K. Balasundram, J. Talib, A.R. Anuar and H. ...
  • Faghih, H. ۲۰۱۰. Evaluating Artificial Neural Network and its Optimization ...
  • Feiznia, S., H. Asgari and M. Moazzami. ۲۰۰۸. Investigating the ...
  • Hagan, M.T. and M.B. Menhaj. ۱۹۹۴. Training feedforward networks with ...
  • Hemachandra, S. and R.V.S. Satyanarayana. ۲۰۱۳. Co-active neuro-fuzzy inference system ...
  • Holland, J.H. ۱۹۷۵. Adaptation in natural and artificial systems: an ...
  • Jang, J.S. ۱۹۹۳. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions ...
  • Jang, J.S.R., C.T. Sun and E. Mizutani. ۱۹۹۷. Neuro-fuzzy and ...
  • Kisi, O., A.H. Dailr, M. Cimen and J. Shiri. ۲۰۱۲. ...
  • Kisi, O. and A. Guven. ۲۰۱۰. A machine code-based genetic ...
  • Melesse, A.M., S. Ahmad., M.E. McClain, X. Wang and Y.H. ...
  • Memarian, H. and S.K. Balasundram. ۲۰۱۲. Comparison between multi-layer perceptron ...
  • Memarian, H., M.P. Bilondi and M. Rezaei. ۲۰۱۶. Drought prediction ...
  • Memarian, H., S. Feiznia and K. Zakikhani. ۲۰۰۹. Estimating river ...
  • Memarian, H., S.K. Balasundram and M. Tajbakhsh. ۲۰۱۳. An expert ...
  • Menhaj, M.B. ۲۰۰۲. The Basics of Neural Networks. Amir Kabir ...
  • Mohammadi, Y., P. Fathi, A. Najafi Nejad and N. Nura. ...
  • Mosaedi, A. and S. Hashemi. ۲۰۰۵. Comparison of Artificial Neural ...
  • Mosaedi, A., M. Jalali and M. Najafi Hajipour. ۲۰۰۷. Estimation ...
  • Mustafa, M.R., R.B. Rezaur, S. Saiedi and M.H. Isa. ۲۰۱۲. ...
  • Nash, J.E. and J.V. Sutcliffe. ۱۹۷۰. River flow forecasting through ...
  • Nourani, V. and L. Malekani. ۲۰۱۰. Use of comparative neuro-fuzzy ...
  • Principe, J.C., N.R. Euliano and W.C. Lefebvre. ۲۰۰۰. Neural and ...
  • Principe, J.C., W.C. Lefebvre, G. Lynn, C. Fancourt and D. ...
  • Rezaei, M. and H. Memarian. ۲۰۱۵. Application of Rainfall Time ...
  • Rumelhart, D.E. and D. Zipser. ۱۹۸۶. Feature discovery by competitive ...
  • Safari, A.F., D. Smedt and F. Moreda. ۲۰۱۲. WetSpa model ...
  • Tan, Y. and A.Van Cauwenberghe. ۱۹۹۹. Neural-network-based d-step-ahead predictors for ...
  • Tfwala, S.S., Y.M. Wang and Y.C. Lin. ۲۰۱۳. Prediction of ...
  • Wilson, D.R. and T.R. Martinez. ۲۰۰۳. The general inefficiency of ...
  • Yosefi, M. and R. Poorshariaty. ۲۰۱۴. Suspended Sediment Estimation using ...
  • Zare Abyaneh, H. and M. Bayat Varkeshi. ۲۰۱۱. Evaluation of ...
  • Zealand, C.M., D.H. Burn and S.P. Simonovic. ۱۹۹۹. Short term ...

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم

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

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 9,109
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support