ارزیابی دقت مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان با توابع زیان مختلف در پیشبینی تبخیر-تعرق مرجع

آیدا مهرآذر; جابر سلطانی; مریم منصوری; موسی کلانکی

ارزیابی دقت مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان با توابع زیان مختلف در پیشبینی تبخیر-تعرق مرجع

Publish place: First National Conference on New Achievements in Life Sciences and Agriculture

Publish Year: 1394

Type: Conference paper

Language: Persian

This Paper With 12 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > الگوریتم ژنتیک

Export:

Link to this Paper:

https://civilica.com/doc/418040

Document National Code:

NFBAS01_293

Index date: 20 January 2016

ارزیابی دقت مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان با توابع زیان مختلف در پیشبینی تبخیر-تعرق مرجع abstract

الگوریتم ژنتیک جستجویی در مسائل بهینه سازی برگرفته از تکامل ژنتیکی می باشد. ماشین بردار دسته بندی کنندهای است کهاز تئوری یادگیری آماری استفاده می کند. در این تحقیق با هدف مقایسه دقت مدل ماشین بردار پشتیبان و مدل هیبریدیالگوریتم ژنتیک و ماشین بردار پشتیبان در پیش بینی تبخیر-تعرق مرجع ((ET(o) روزانه، از تابع کرنل شعاعی و تابع زیان اپسیلونو درجه دوم استفاده شد. برای این منظور داده های اقلیمی روزانه شامل ساعات آفتابی، حداکثر و حداقل دمای هوا، رطوبت نسبیو سرعت باد، طی سالهای (2000-2010) در ایستگاه سینوپتیک اهواز برای تخمین (ET(o به عنوان ورودی مدل ها استفاده شد. مقادیر (ET(o نیز با روش استاندارد فائو-پنمن-مانتیث به عنوان مقادیر مبنا محاسبه شد. مقدار ضریب تبیین و ریشه میانگینمربعات خطا در بخش پیش بینی برای مدل GA-SVR با تابع زیان اپسیلون به ترتیب 0/9999 و برای مدل GA-SVR با تابع زیان درجه دوم به ترتیب 0/9998 و 0/0018 برای مدل SVR با تابع زیان اپسیلون به ترتیب 0/988 و 0/022 و برای مدل SVR با تابع زیان درجه دوم به ترتیب 0/980 و 0/026 محاسبه شد. نتایج بیانگر کارایی و دقت بالای مدل GA-SVR با هر دو تابع زیان اپسیلون و درجه دوم نسبت به مدل SVR با هر دو تابع زیان در پیش بینی تبخیر-تعرق مرجع می باشد.

ارزیابی دقت مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان با توابع زیان مختلف در پیشبینی تبخیر-تعرق مرجع Keywords:

تبخیر-تعرق مرجع , ماشین بردار پشتیبان , الگوریتم ژنتیک , تابع زیان

ارزیابی دقت مدل ماشین بردار پشتیبان و مدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان با توابع زیان مختلف در پیشبینی تبخیر-تعرق مرجع authors

آیدا مهرآذر

دانشجوی کارشناسی ارشد مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

جابر سلطانی

استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

مریم منصوری

دانشجوی دکتری آبیاری و زهکشی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

موسی کلانکی

کارشناس ارشد هوش مصنوعی دانشگاه صنعتی مالک اشتر- مجتمع دانشگاهی علوم و فناوری های زیر دریا

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 :

مدیریت تلفیقی منابع آب سطحی و زیرزمینی با کاربرد روش‌های ماشین‌های بردار پشتیبان و الگوریتم ژنتیک [مقاله کنفرانسی]

ستاری، محمدتقی؛ نهرین، فرناز و عظیمی، وحید. (1392). پیش‌بینی تبخیر-تعرق ...

Novel Findings in Bioscience & Agriculture 31 اردیبهشت 1394 ...

مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه بناب). نشریه ...

علی‌پور، حامد؛ اشرف‌زاده، افشین و پیرمرادیان، نادر. (1392). برآورد تبخیر ...

کاکائی لفدانی، الهام؛ مقدم‌نیا، علیرضا؛ احمدی، آزاده و ابراهیمی، حیدر. ...

کلانکی، موسی؛ سلطانی، جابر و توسلی، سجاد. .(1392a) ارزیابی عملکرد ... [مقاله کنفرانسی]

مدیریت بهینه زیر ساخت سامانه های آب شهری به وسیله پیش بینی نرخ شکست لوله ها با استفاده از مدل تلفیقی SVR-CGA [مقاله کنفرانسی]

گنجعلیخانی، معین؛ دلگرم، سعید و قادری، کوروش. (1392). به کارگیری ...

مهماندوست، معصومه؛ سلطانی، جابر؛ مشعل، محمود و کلانکی، موسی. (1393). ... [مقاله کنفرانسی]

Novel Findings in Bioscience & Agriculture 31 اردیبهشت 1394 ...

Allen, R. G., Preira, L. S., Raes, D., & Smith, ...

Asefa, T., Kemblowski, M. W., Mckee, M., & Khalil, A. ...

Asefa, T., Kemblowski, M. W., Urroz, G., Mckee, M., & ...

Aytek, A., & Kisi, O. (2008). A genetic programming approach ...

Behzad, M., Asghari, K, Eazi, M., & Pallhang, M. (2009). ...

Eslamian, S. S., Abedi-Koupai, J., Amiri, M. J., & Gohari, ...

Gavin, H., and Agnew, C. A. (2004). Modelling actual reference ...

Goldberg, D. E. (1989), :Genetic Algorithms in Search Optimization, and ...

Holland, J. H. (1975). Adaptation in Natural and Artificial Systems, ...

evaporation and evap otranspiration modeling. Journal of Hydrology. 351, 299-317. ...

Kisi, O., Haktanir, T., Ardiclioglu, M., Ozturk, O., Yalcin, E.. ...

Liong, S. Y., & Sivapragasam, C. (2002). Flood stage forecasting ...

Moghadamnia, A., Ghafari, M., Piri, J., & Han, D. (2008). ...

Pai, P. F., & Hong, W. C. (2007). A recurrent ...

Smola, A., & Scholkopf, B. (1998). A tutorial on Support ...

Vapnic, V. N. (1995). The Nature of Statistical Learning Theory. ...

Vapnic, V. N. (2010). The Nature of Statistical Learning Theory. ...

Wohlberg, B. E., Tartakovsky, D. M., & Guadagnini, A. (2006). ...

Yang, C. T., Marsooli, R., & Aalami, M. T. (2009). ...

Zare Abyaneh, H., Bayat Varkeshi, M., Marofi, S., & Amiri ...

نمایش کامل مراجع