تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,734 |
تعداد دریافت فایل اصل مقاله | 15,217,379 |
پیشبینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکههای عصبی مصنوعی- تجزیه مؤلفههای اصلی | ||
دانش آب و خاک | ||
مقاله 5، دوره 25، شماره 3، آذر 1394، صفحه 53-63 اصل مقاله (1.18 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
یوسف حسنزاده* 1؛ امین عبدی کردانی2؛ مریم شفیعی نجد3؛ سعید خوش طینت4 | ||
1استاد، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز | ||
22- دانشجوی دکتری، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز | ||
3دانشجوی کارشناسی ارشد، گروه مهندسی عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز | ||
4کارشناس ارشد، دانشکده عمران، دانشگاه آزاد اسلامی واحد مهاباد | ||
چکیده | ||
پیشبینی دقیق جریان روزانه، نقش بهسزایی در مدیریت کارآمد منابع آب ایفا میکند. به این منظور در این تحقیق سعی شده است که جهت مدلسازی هرچه دقیقتر فرآیند پیشبینی جریان روزانه رودخانه نورانچای واقع در حوضه آتشگاه، از شبکههای عصبی مصنوعی (ANN) استفاده گردد. همچنین بهمنظور افزایش کارآیی ANN از تجزیه مؤلفههای اصلی (PCA) جهت پیشپردازش دادههای ورودی استفاده گردیده و درنهایت دادههای خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (MLR) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ANN-PCA در قیاس با مدل ANN منفرد و MLR از دقت بسیار بالایی برخوردار است. بهطوریکه نتایج معیارهای ارزیابی شامل ضریب همبستگی (CC)، ضریب راندمان (EC) و جذر میانگین مربعات خطاها (RMSE) برای مدل ترکیبی ANN-PCA (در مرحله صحتسنجی) برابر 9959/0=CC، 9905/0=EC و 0071/0=RMSE، مدل ANN منفرد (در مرحله صحتسنجی) برابر 9093/0=CC، 8269/0=EC و 0405/0=RMSE و مدل MLR برابر 8866/0=CC، 7860/0=EC و 0926/0=RMSE بهدست آمدند. همچنین استفاده از PCA بهعنوان یک روش مؤثر جهت پیشپردازش دادهها، با ایجاد مؤلفههای مستقل از هم موجب از بین رفتن هم خطی چندگانه میشود. بنابراین PCA موجب افزایش کارآیی مدل ANN میگردد. | ||
کلیدواژهها | ||
پیشبینی جریان روزانه؛ تجزیه به مؤلفههای اصلی؛ حوضه آتشگاه؛ رگرسیون خطی چند متغیره؛ شبکههای عصبی مصنوعی | ||
آمار تعداد مشاهده مقاله: 2,238 تعداد دریافت فایل اصل مقاله: 1,337 |