بررسی مدلسازی هیبرید سیگنالهای جریان رودخانه با شبکه های تابع بنیادی شعاعی و خوشه بندی سلسله مراتبی الگوهای آموزشی بارش- رواناب

شبکه های عصبی تابع بنیادی شعاعی، با بروز رسانی ضرایب وزنی روابط بین سیگنالهای ورودی و خروجی را فراگرفته و مناسبترین توپولوژی ممکن را برای شبیه سازی الگوها ارائه می نمایند. اما یادگیری این مدلها با توجه به ماهیت غیر خطی و پیچیدگی پدیده های هیدولوژیکی محدودیت های خاص خود را دارد. در این مقاله تاثیر روشهای پیش پردازش داده ای بر 360 الگوی بارش- رواناب از سال آبی 1351 -52 تا 1381-82 پیش از ورود به مرحله آموزش و ارزیابی شبکه های عصبی تابع بنیادی شعاعی بررسی گردید. ابتدا کل الگوی بارش-رواناب با استفاده از آنالیز خوشه بندی سلسله مراتبی روش وارد در 4 کلاس هموژن طبقه بندی شدند بدین ترتیب تفکیک داده ای الگوها با این آنالیز انجام شده و هر یک از این کلاس ها در یک شبکه عصبی شعاعی مجزا مدلسازی گردید. در نهایت مناسبترین مدل هیبرید خوشه بندی-عصبی شعاعی جریان رودخانه نازلو چای ارائه گردیده است. نتایج بیانگر آن است که خوشه بندی سیگنالها با استفاده از آنالیز خوشه بندی الگوهای بارش-رواناب و پیش بینی دبی با شبکه های عصبی شعاعی موجب افزایش دقت بیشتری نسبت به پیش بینی رواناب با شبکه عصبی شعاعی میشود.