مقایسه دو روش ماشین بردار پشتیبان SVM و نرم افزار Statistica برای پیش بینی دبی روزانه
Publish place: 10th Iranian Hydraulic Conference
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,743
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IHC10_260
تاریخ نمایه سازی: 25 فروردین 1391
Abstract:
مدیریت موفق منابع آب نیازمند رویکردهای جهت دار، جامع و سیستماتیک می باشد تا بتواند با وجود روند تشدید مشکلات مربوط به آب و افزایش رو به رشد تقاضای آن، نیاز مصرف کنندگان را برطرف سازد. در این راستا بهره گیری از شیوه های نوین مدلسازی منابع آب از اهمیت ویژه ای برخوردار است. از طرفی، پیشرفتهایی که در زمینه روشهای پردازش اطلاعات صورت پذیرفته، روشهای داده- محور را نسبت به روشهای رفتار- محور (روشهای فیزیکی) افزایش داده است. ماشین بردار پشتیبان روشی است که در آن نقاط قوت روش های آماری سنتی که بیشتر تئوری محور می باشند و از نظر تجزیه و تحلیل ساده هستند، ترکیب می گردد. در سال های اخیر در حوزه های هیدرولوژی و مدیریت منابع آب و پیش بینی سری های زمانی از رویکرد SVM استفاده های زیادی شده است. در این پژوهش با استفاده از مدل بردار پشتیبان سری های زمانی و اطلاعات یک دوره 18 ساله از سال 1368 تا 1386 از رودخانه قره سو جهت تولید جریان مصنوعی، مورد استفاده قرار گرفت. در نهایت با نتایج حاصل از نرم افزار STATISTICA مقایسه، که نتایج خروجی روش ماشین بردار پشتیبان نشان داد که توانایی بهتر و بالاتری نسبت به نرمافزار آماری STATISTICA دارا می باشد.
Keywords:
مدیریت منابع آب , پیش بینی دبی , ماشین بردار پشتیبان SVM , نرم افزار آمار STATISTICA , رودخانه قره سو
Authors
مهدی محرم پور
استادرشته عمران دانشگاه آزاد اسلامی واحد بوئین زهرا
عبدالحمید محرابی
استادرشته عمران دانشگاه آزاد اسلامی واحد بوئین زهرا
محیا کاتوزی
دانشجوی رشته مهندسی برق کنترل دانشگاه آزاد اسلامی واحد قزوین
امین خدابنده شهرکی
استادرشته عمران دانشگاه آزاد اسلامی واحد بوئین زهرا
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 :