مقایسه توابع یادگیری شبکه عصبی در مدل سازی رواناب

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.