مقایسه توابع یادگیری شبکه عصبی در مدل سازی رواناب
نویسنده:
چکیده:
پیشبینی دقیق جریان در رودخانه ها یکی از ارکان مهم در مدیریت منابع آبهای سطحی به ویژه اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی هاست. در حقیقت، حصول روشهای مناسب و دقیق در پیشبینی جریان رودخانه ها را میتوان به عنوان یکی از چالشهای مهم در فرایند مدیریت و مهندسی منابع آب دانست؛ اگر چه تحقیقات وسیعی در خصوص کاربرد روشهای متکی بر شبکه های عصبی مصنوعی دقت این روشها بر روشهای متداول آماری مانند روشهای اتورگسیو و میانگین متحرک ارائه شده است. در این تحقیقات برای یافتن بهترین ساختار برای شبکه عصبی تنها به تغییر تعداد لایه های پنهان و تعداد نورونها اکتفا میشود و به دلیل پیچیدگی حاکم بر انتخاب و معماری شبکه مناسب، استفاده از آنها در عمل به طور مناسب توسعه نیافته است. در این تحقیق تعداد 15 تابع یادگیری در شبکه عصبی بررسی شد و نتایج نشان داد در ساختار شبکه با یک لایه پنهان (ANN1) تابع یادگیری learnglv1، learnh و learnis به ترتیب با MSE برابر 000158/0، 000185/0 و 000188/0 و در مدل ساختار شبکه با دو لایه پنهان ANN2 توابع یادگیری learnh، learnsomb و learncon به ترتیب با MSE برابر 000154/0، 000173/0 و 000176/0، عملکرد مناسبتری نسبت به دیگر توابع یادگیری داشتهاند. از سوی دیگر در ده مرتبه اجرای دو مدل، دو تابع یادگیری learnsom و learngdm در مدل ANN1 و learnh و learnos در مدل ANN2، بیشترین تکرار را در بین بهترین توابع یادگیری، داشتهاند و بنابراین، هنگام استفاده از شبکه پس انتشار خطا (که تابع یادگیری آن learngdm است) بهتر است تعداد لایه پنهان بیشتر از یکی نباشد؛ زیرا در این صورت شانس رسیدن به جواب مناسب بیشتر خواهد بود، اما اگر به دنبال زیاد کردن عملکرد شبکه با افزایش تعداد لایه پنهان باشیم بهتر است با احتیاط از پیشفرض شبکه و به طور مشخص از learngdm استفاده شود.
کلیدواژگان:
زبان:
فارسی
انتشار در:
صفحات:
659 تا 667
لینک کوتاه:
magiran.com/p1646882
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!