مقایسه عملکرد الگوریتم های مختلف شبکه عصبی مصنوعی در مدل سازی بارندگی فصلی مطالعه موردی؛ ایستگاه های منتخب استان خوزستان
Publish Year: 1392
نوع سند: مقاله ژورنالی
زبان: Persian
View: 183
This Paper With 19 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_JGSKH-13-30_009
تاریخ نمایه سازی: 25 مهر 1401
Abstract:
بارندگی یکی از اجزای اصلی چرخهی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از دادههای بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت ۴۸سال، (۱۳۴۰-۱۳۸۷)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجیهای هدف، شبکههای مختلفی با ساختارهای متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از دادهها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکههای MLP و RBF با تغییراتی در تعداد لایههای میانی، تعداد نرونها و الگوریتمهای آموزش MOMو LM وCG به منظور پیشبینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی ۱-۴-۶ و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر ۹۶/۰ و کمترین MSE برابر ۰۴۴/۰ است. برای ایستگاه آبادان شبکه RBF با توپولوژی ۱-۷-۶-۶ و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر ۹۲/۰ و کمترین MSE برابر ۰۶۲/۰ است. برای ایستگاه دزفول شبکه MLP با توپولوژی ۱-۴-۳-۶ و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر ۹۴/۰ و کمترین MSE برابر ۰۳۴/۰ است.
Keywords:
Authors
محمدرضا گلابی
کارشناسی ارشد مهندسی منابع آب، دانشگاه شهید چمران اهواز
علی محمد آخوندعلی
استاد گروه هیدرولوژی و منابع آب، دانشگاه شهید چمران اهواز
فریدون رادمنش
استادیار گروه هیدرولوژی و منابع آب، دانشگاه شهید چمران اهواز