توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه بندی و اطلاعات مشترک
Publish place: New Approaches in Civil Engineering، Vol: 3، Issue: 2
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 456
This Paper With 14 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_JNACE-3-2_003
تاریخ نمایه سازی: 28 مهر 1398
Abstract:
در این مقاله پیش بینی چند ایستگاهه رواناب با استفاده از تبدیل موجک و شبکه عصبی مصنوعی خودسازمانده و مدل های هوش مصنوعی در حوضه آبریز Little River Watershed (LRW) انجام گردید. بطوریکه سری های زمانی رواناب توسط تبدیل موجک تجزیه گشته و سپس زیرسری های تجزیه شده توسط شبکه عصبی مصنوعی خودسازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی رواناب خروجی حوضه آبریز LRW بکار گرفته شدند. مدلسازی چند ایستگاهه بارش-رواناب بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، شبکه عصبی مصنوعی خودسازمانده و اطلاعات مشترک توانایی پیش بینی رواناب چند ایستگاهه را نسبت به مدل های هوش مصنوعی که از خاصیت مارکف بهره می برند تا 23 درصد بهبود می بخشد. بطور کلی، استفاده از خاصیت فصلی بودن پدیده ها به همراه کاهش ابعاد ورودی ها، می تواند به مدل های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند.
Keywords:
Authors
غلامرضا عندلیب
دکترای سازه های هیدرولیکی دانشکده مهندسی عمران دانشگاه تبریز تبریز، ایران
وحید نورانی
گروه ههندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران
حسین منیری فر
کارشناسی ارشد مهندسی سازه، گروه مهندسی سازه، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران
الناز شرقی
گروه مهندسی آب، دانشکده فنی مهندسی عمران، دانشگاه تبریز، تبریز، ایران
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 :