ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش پردازش داده ها جهت مدل سازی جریان رودخانه

Year: 1396
COI: JR_JWSC-24-2_010
Language: PersianView: 142
This Paper With 17 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 17 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

اباذر سلگی - دانشجوی دکتری مهدسی منابع آب-دانشگاه شهید چمران اهواز
حیدر زارعی - استادیار گروه هیدرولوژی و منابع آب-دانشگاه شهید چمران اهواز
محمدرضا گلابی - دانشجوی دکتری مهندسی منابع آب-دانشگاه شهید چمران اهواز

Abstract:

سابقه و هدف: نیاز روزافزون به آب سبب گردیده است که برنامه ریزی های مدیریتی به منظور کنترل مصرف آب در آینده از اهمیت بیشتری برخوردار باشد. با پیش بینی جریان رودخانه ها علاوه بر مدیریت بهره برداری از منابع آب، می توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیش بینی و مهار نمود. به همین دلیل برآورد صحیح و دقیق جریان رودخانه با استفاده از مدل های مختلف یکی از موضوعاتی است که در منابع آب مورد بررسی پژوهشگران می باشد. مدل های هوشمند جهت پیش بینی جریان رودخانه توسط پژوهشگران مختلف به کار رفته اند. یکی از این مدل ها که عملکرد خوبی از خود نشان داده است مدل برنامه ریزی بیان ژن می باشد. اخیرا شیوه استفاده از مدل های هوشمند به صورت ترکیبی مورد پذیرش قرار گرفته است که جهت انجام این کار معمولا از تبدیل موجک استفاده می شود. مواد و روش ها : در این مطالعه از مدل برنامه ریزی بیان ژن(GEP) برای مدل سازی جریان در مقیاس های روزانه و ماهانه در رودخانه گاماسیاب استفاده شد. برای این منظور از داده های بارش، دما، تبخیر و جریان رودخانه گاماسیاب در ایستگاه وراینه با یک دوره آماری 43 ساله (1390-1348) استفاده شد. برای افزایش عملکرد مدل از دو روش پیش پردازش داده ها یعنی تبدیل موجک(Wavelet Transform) و تجزیه به مولفه های اصلی(PCA) استفاده شد. بدین صورت که سیگنال اولیه هر یک از پارامترهای ورودی با استفاده از تبدیل موجک تجزیه شد. سپس برای مشخص کردن زیرسیگنال های مهم از روش تجزیه به مولفه های اصلی استفاده شده و زیرسیگنال های مهم به عنوان ورودی به مدل برنامه ریزی بیان ژن وارد شد تا مدل ترکیبی برنامه ریزی بیان ژن-موجک(WGEP) حاصل گردید. یافته ها: بررسی ساختارهای مختلف برای مدل برنامه ریزی بیان ژن نشان داد که عملکرد مدل در دوره روزانه خوب بوده ولی در دوره ماهانه عملکرد کاهش یافته است. مقایسه مدل ترکیبی برنامه ریزی بیان ژن-موجک با مدل برنامه ریزی بیان ژن نشان داد که عملکرد مدل ترکیبی در هر دو دوره زمانی روزانه و ماهانه از مدل ساده بهتر بوده است. دلیل این امر به خاطر پیش پردازشی است که روی داده ها پیاده شده بود. این در حالی است که نتایج مدل ترکیبی در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضریب تعیین مدل را افزایش داد. همچنین با توجه به تعداد زیاد زیرسیگنال ها به کار بردن روش PCA باعث افزایش سرعت اجرای برنامه شد. نتیجه گیری: استفاده از روش های پیش پردازش داده ها باعث افزایش عملکرد مدل شده است و استفاده از روشPCA به عنوان یک ابزار کمکی برای تبدیل موجک موجب افزایش سرعت و دقت مدل شده است. به طور کلی نتایج این مطالعه نشان داد که می توان از ترکیب مدل برنامه ریزی بیان ژن با تبدیل موجک به عنوان یک ابزار مناسب برای مدل سازی و پیش بینی جریان رودخانه گاماسیاب بهره برد.

Keywords:

برنامه ریزی بیان ژن , پیش پردازش داده ها , تبدیل موجک , روش PCA , مدل سازی جریان

Paper COI Code

This Paper COI Code is JR_JWSC-24-2_010. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/953830/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
سلگی، اباذر و زارعی، حیدر و گلابی، محمدرضا،1396،بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش پردازش داده ها جهت مدل سازی جریان رودخانه،https://civilica.com/doc/953830

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 :

  • Cattel, R.B. 1996. The scree test for the number of ...
  • Research. 1: 245-276. ...
  • Danandehmehr, A., and Majdzadeh Tabatabai, M.R. 2010. I Prediction of ...
  • Trend of River Flow Based on Genetic Programming. J. Water ...
  • Demyanov, V., Soltani, S., Kanevski, M., Conu, S., Maignan, M., ...
  • and Pisaren, K.V. 2001. Wavelet analysis residual kriging Vs. neural ...
  • kriging. Stochastic Env. Res. Risk Ass. 15: 18-32. ...
  • Ferreira, C. 2001. Gene Expression Programming: a New Adaptive Algorithm ...
  • Problem. Complex Systems. 13: 87-129. ...
  • Hutcheson, G., and Nick, S. 1999. The multivariate social scientist: ...
  • using generalized linear models. Thousand Oaks, CA, Sage Publications. ...
  • Jayawardena, A.W., Xu, P., and Tsang, F.L.L. 2004. Rainfall predication ...
  • decomposition. Proceedings of the 2nd Asia Pacific Association of Hydrology ...
  • Resources Conference, volume II, 5-8, July 2004, Singapore, Pp: 11-19. ...
  • Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A. 2015. ...
  • prediction by using wavelet–gene expression programming approach. ISH J. Hydraul. ...
  • Kisi, O., Shiri, J., and Nazemi, A.H. 2011. A Wavelet-Genetic ...
  • Short-Term and Long-Term Air Temperatures. J. Civil Engin. Urbanism. 1: ...
  • Mallat, S.G. 1998. A wavelet tour of signal processing, San ...
  • Nakken, M. 1999. Wavelet analysis of rainfall–runoff variability isolating climatic ...
  • anthropogenic patterns. Environmental Modelling & Software. 14: 4. 283-295. ...
  • Nourani, V., Hosseini Baghanam, A., Adamowski, J., and Kisi, O. ...
  • hybrid Wavelet-Artificial Intelligence models in hydrology, A review. J. Hydrol. ...
  • Nourani, V., Komasi, M., and Mano, A. 2009. A Multivariate ...
  • Rainfall–Runoff Modeling. Water Resour. Manage. 23: 2877-2894. ...
  • Riad, S., Mania, J., Bouchaou, L., and Najjar, Y. 2004. ...
  • neural network approach. Mathematical and Computer Modelling. 40: 7-8. 839-846. ...
  • Shafaei, M., Fakheri Fard, A., Darbandi, S., and Ghorbani, M.A. ...
  • Flow of Vanyar Station Using ANN and Wavelet Hybrid Procedure. ...
  • : 24. 113-129. (In Persian) ...
  • Shiri, J., and Kişi, Ö. 2011. Comparison of genetic programming ...
  • systems for predicting short-term water table depth fluctuations. Computers & ...
  • Shoaib, M., Shamseldin, A.Y., Melville, B.W., and Khan, M.M. 2015. ...
  • using HybridWavelet Gene Expression Programming (WGEP) Approach. J. Hydrol. ...
  • Solgi, A. 2014. Stream flow forecasting using combined Neural Network ...
  • comparsion with Adaptive Neuro Fuzzy Inference System and Artificial Neural ...
  • methods (Case study: Gamasyab River, Nahavand). M.Sc. Thesis, Shahid Chamran ...
  • University of Ahvaz, Iran, 164p. (In Persian) ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 15,890
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support