ترکیب تئوری موجک با شبکه عصبی شعاعی برای پیشبینی رسوب روزانه رودخانه

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 619

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

HMIE01_012

تاریخ نمایه سازی: 30 بهمن 1394

چکیده مقاله:

در مبحث کنترل کیفی آبهای سطحی، پیشبینی و تخمین رسوبات رودخانهها در مدیریت رودخانهها و مخازن سددها بطدور ک دی درپروژههای آبی اهمیت بالایی دارد. در این تحقیق از ترکیب تئوری موجک با شبکه عصبی شعاعی استفاده شده است و این مدل توسعه یافته با مدلهدای سدایر محققدان مقایسه گردید. از دیتاهای رودخانه یادکین در آمریکا استفاده گردید و گامهای گذشته دبی و رسوب و ترکیب آنها به عنوان ورودی بدهمدل انتقال داده شد. در این مدل ترکیبی با استفاده از آنالیز موجک، سری زمانی به زیرسریهای تقریب زیرسریهای جزئیات تجزیده شده و پس از این زیرسریها وارد سیستم شبکه عصبی شعاعی میشوند. خروجی این مدل نیز رسوب را در گام زمانی آینده پیشبینی میکند. از برخی شاخصهای آماری نظیر میانگین قدرمطلق خطا ) MAE ( و ضریب تبیین ) 2 R( و جذر میانگین مربعات خطا ) RMSE ( برای ارزیابی مدل استفاده گردید. نتایج نشان داد که ترکیب تئوری موجک با شبکه عصبی دارای نتایج بهتری نسبت به سایر مدلهای ارائه شده میباشد.

نویسندگان

مائده صادق پورحاجی

دانشگاه آزاد اسلامی واحد قائمشهر، گروه مهندسی عمران، قائمشهر، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • استفاده از شبکه های عصبی در ارزیآبی کیفی رودخانه کرخه [مقاله کنفرانسی]
  • استفاده از شبکه عصبی جهت مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها [مقاله کنفرانسی]
  • میرباقری، س. ا.، رجائی، ط. بوداقپور، س0، 1388. مدل pH ...
  • میرباقری، س.ا.، رجائی، ط.، 1385. بهبود پیش‌بینی و تخمین بار ...
  • نوشادی، م.، احمدزاده، م، سالمی، ح.ر، 1385. شبیه‌سازی و پیش‌بینی ...
  • Chou, C. M., using, 2007, Efficient nonlinear modeling of rainfall- ...
  • Fausett, L, , 1994, Foundamentak of Neural Networks architechtures, algorithms ...
  • Karthikeyan, _ Kumar, N., 2013, Predictibility of non stationary time ...
  • Labat, D., 2005a, Recent advances in wavelet analyses: partl. A ...
  • Labat, D., Ronchail, J., Guyot. J. L, 2005b. Recent advances ...
  • Martin, J. L. Mccutcheon, S. C., Schottman, R. W. _ ...
  • Maheswaran, R., Khosa, R., 2012, Warelet- Volterra coupled model for ...
  • Nash, J. and Sutcliffe, J., 1970, River flow forecasting through ...
  • Nourani, V., Hosseine, A., B., Adamowski, J. Gebremichael, M. Using ...
  • USGS (http:/co. water.usgs. go v/sedimen t/seddatabase cfm) ...
  • Rajaee, T., Mirbagheri, S.A., Zounemat -Kermani, M. and Nourani, V., ...
  • Rajaee, T., 2010, Wavelet and Neuro _ fuzzy Conjunction Approach ...
  • Rajaee, T., 2011, Wavelet and ANN combination model for prediction ...
  • Rathinadamy, M., Adamowski, J., Khosa, R., 2013. Multi Scale stresmflow ...
  • Sadeghpour Haji, M., Mirbagheri, S.A., Javid, A.H.. Khezri, M. and ...
  • Sadeghpour Haji, M., Mirbagheri, S.A., Javid, A.H., Khezri, M. and ...
  • Theodoridis, S., Pikrakis, _ Koutroumbas, K. and Cavouras, D., Introduction ...
  • Tantanee, S., Patamatmakul, S., Oki, T., Sirboonlue, V., Prempree, T., ...
  • Youssef, O.A., A wavelet-based technique for discrimination between faults and ...
  • نمایش کامل مراجع