پیش بینی دبی با استفاده از روش های شبکه عصبی مصنوعی و آریما (مطالعه موردی: حوزه آبخیز زهره)

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 581

This Paper With 10 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

IFMC02_064

تاریخ نمایه سازی: 1 مهر 1394

Abstract:

پیش بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می باشد. تحقیق حاضر با هدف مقایسه بین مدل های مختلف شبکه عصبی مصنوعی و سری های زمانی آریما (ARIMA) در برآورد دبی در ایستگاه بریم آبخیز زهره که دارای آمار بارندگی، دبی در طی دوره مشترک آماری بودند پی ریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و ضریب یادگیری یک که با استفاده از آزمون و خطا به دست آمد استفاده کردیم. همچنین در روش آریما از یک مدل های مختلف روشی که کمترین آکائیک را داشته باشد. به عنوان مدل بهینه انتخاب گردید که مدل (12)(1، 0، 1)(0، 1، 0) ARIMA است. دقت سنجی مدل ها بر اساس آماره های ریشه میانگین مربعات خطا و ضریب تبیین حاکی از دقت بیشتر شبکه عصبی مصنوعی نسبت به مدل های سری زمانی (ARIMA) می باشد. همچنین بهترین مدل در روش شبکه عصبی مصنوعی، مدل شماره 2 با آرایش 1-11-3 به ترتیب با سه نرون در نرون در لایه ورودی، 11 نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.

Keywords:

پیش بینی , دبی , تلفیقی خود همبستگی و میانگین متحرک , شبکه عصبی مصنوعی , حوزه آبخیز زهره

Authors

عبدال شهریور

عضو هیئت علمی مرکز تحقیقات کشاورزی

مجید خزایی

دانشجوی دکتری آبخیزداری

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 :
  • ابریشم‌چی، ا، م. تجریشی و ب. چهره‌نگار (1384). مدل‌های استوکاستیک ...
  • اشرف‌زاده، . 1387. کاربرد شبکه‌های عصبی مصنوعی در برآورد تبخیر ...
  • اصغری‌مقدم، . نورانی و ندیری ع. 1387.مدل سازی بارش دشت ...
  • برهانی داریان، ع. ر و فاتحی مرج، ا. 1387: کاربرد ... [مقاله ژورنالی]
  • جهانگیر، ع.ر، رائینی، _ و ضیاء احمدی، م. خ. 1387: ...
  • رحمانی، ع. ر.، سدهی، م.، 1383: پیش‌بینی تغییرات سطح آب ...
  • رحیم‌زاده، ف، 1372: تجزیه و تحلیل سری زمانی فشار در ...
  • رحیمی خوب، ع.، بهبهانی، س. م. ر. و نظری فر، ...
  • سلطانی. س، 1381: مقایسه مدل‌های تفهیمی با شبکه‌های عصبی مصنوعی ...
  • رجام‌نیا، ا.، ناصری. م. و احمدی. 1386: پیش بینی قیمت ... [مقاله ژورنالی]
  • قنبرپور، م. ر.، امیری، م. و غلامی، ش.، 1386: ارزیابی ...
  • تحلیل حساسیت توابع محرک مدل شبکه عصبی مصنوعی در تخمین غلظت رسوبات معلق [مقاله کنفرانسی]
  • مدل سازی بارش-رواناب با استفاده از روش شبکه عصبی فازی تطبیقی موجکی و مقایسه آن با روش های شبکه عصبی موجکی و شبکه عصبی فازی تطبیقی [مقاله کنفرانسی]
  • ارآموز، .، عراقی نژاد، ش.، 1384. هیدرولوژی پیشرفته . انتشارات ...
  • باویکردسیلاب‌های ش‌ری تهران. هتل المپیک 81 و 9 هرماه 1393 ...
  • Abrahart, R.J., and See, L., 2000. Comparing neural network and ...
  • باویکردسیلاب‌های ش‌ری تهران. هتل المپیک 81 و 9 هرماه 1393 ...
  • Antar. A., Elassiouti. I., and M. N. Allam, 2006: Rainfall-runof. ...
  • Box, G. E. P. and G. M. Jenkins, 1976: Time ...
  • Castellano Mendez, M., Gonzalez Manteiga W., Febrero Bande, M., Manuel. ...
  • Dawson., C.W., Wilby., R.L, 2001. Hydrological modelling using artificial neurl ...
  • Hagan, M.T. and , M.B. Menhaj, 1994. Training feed forward ...
  • Kisi, O ., 2009. Neural Networks and Wavelet Conjunction Model ...
  • Kumar, . A. R., Sudheer, K. P., Jain, S. K., ...
  • Oscarr, R.D., Eduardo, V., 2002: Artificial neural networks for stre ...
  • Rajurkara. M. P., Kothyarib. U. C., and U.C. Chaubec, 2004: ...
  • Riad, S., and Mania, J., 2004: Rainfall-runof model using an ...
  • Souza Filho F. A., and U. Lall, 2003: Seasonal to ...
  • Sveinsso Oli G. B. , J. D. Salas, D. C. ...
  • Tombul, M. and Ogu, E., 2006: Modeling of Rainfall -Runoff ...
  • Zhou, H. C. Peng, Y. and G. H. Liang, 2008: ...
  • نمایش کامل مراجع