مقایسه بین الگوریتم هی آموزشی مدل های شبکه عصبی در پیش بینی جریان

پیش بینی دقیق جریان رودخانه ای به عنوانیک فاکتور مهم در مدیریت ریسک سیلاب مطرح می باشد. در این تحقیق دو معماری مختلف از شبکه های عصبی مصنوعی شامل شبکه عصبی feed-forward و شبکه بازگشتی ازنوع المان با به کارگیری سه الگوریتم آموزشی متفاوت شامل الگوریتم های لونبرگ- مارکوتLMتنظیم بیزینBRو الگوریتم آموزشی پس انتشار خطا با کاهش شیب و نرخیادگیری انطباقیGDXبه منظور پیش بینی جریان ماهانه مورد بررسی قرار گرفته است. همچنین کارایی مدل های فوق الذکر با آماره های مختلف مورد بررسی قرار گرفت. مدل شبکه عصبی بازگشتی با معماری 1-10-10-4 و مدل شبکه عصبی feed-forward با معماری 1-4-4-4 و الگوریتم آموزشی L-M برای هریک از این دو مدل، کارایی بهتری را نسبت به بقیه مدل ها نشان دادند. همچنین شبکه عصبی بازگشتی کارایی بهتری را در مقایسه با شبکه feed-forward برای پیش بینی جریان ماهانه نشان می دهد

کلیدواژه ها:

شبکه عصبی ، feed-forward ، شبکه بازگشتی– الگوریتم آموزشی - پیش بینی جریان