جستجوی مقالات مرتبط با کلیدواژه "نویززدایی" در نشریات گروه "عمران"
تکرار جستجوی کلیدواژه «نویززدایی» در نشریات گروه «فنی و مهندسی»جستجوی نویززدایی در مقالات مجلات علمی
-
در این مطالعه مدل های شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره، برنامه ریزی ژنتیک و ترکیب شبکه عصبی- موجک برای پیش بینی اکسیژن خواهی بیوشیمیایی ماهانه آب (BOD) در ایستگاه خروجی سد کرج بررسی شد و تاثیر پیش پردازش داده ها روی عملکرد مدل ها بوسیله تجزیه موجک مورد تحقیق قرار گرفت. به این منظور در مدل پیشنهادی اول، سری زمانی BOD مشاهداتی بوسیله توابع تبدیل مختلف در سطوح مختلفی به زیر سری ها تجزیه شدند و به عنوان ورودی در مدل شبکه عصبی قرار گرفتند. در مدل پیشنهادی دوم، سری زمانی BOD در ده سطح تجزیه شد. سپس حاصل جمع جبری زیرسری های موثر به عنوان ورودی مدل شبکه عصبی برای پیش بینی ماه آینده BOD درنظر گرفته شد. نتایج نشان داد که عملکرد پیش بینی مدل های ترکیبی موجک عصبی نسبت به شبکه عصبی، برنامه ریزی ژنتیک و رگرسیون بهتر است. این مدل ترکیبی برای مقادیر بیشینه نیز پیش بینی قابل قبولی را ارائه داده است. همچنین مدل ترکیبی دوم میانگین قدرمطلق خطا را برای مدل های رگرسیون، برنامه ریزی ژنتیک، شبکه عصبی و مدل ترکیبی اول، به ترتیب از 87/1 ، 91/0، 65/0 و 46/0 به 44/0 کاهش داد و ضریب کارایی را از 23/0، 53/0، 73/0 و 81/0 به 83/0 افزایش داد.کلید واژگان: اکسیژن خواهی بیولوژیکی, برنامه ریزی ژنتیک, تبدیل موجک, رودخانه کرج, شبکه عصبی, نویززداییThis study considered artificial neural network (ANN), multi-linear regression (MLR), Genetic Programming (GP) and wavelet analysis and ANN combination (WANN), models for monthly water biological oxygen demand (BOD) in station Karaj Dam outlet and investigates the effects of data preprocessing on model performance using discrete wavelet. For this purpose, In the first proposed model, observed time series of BOD were decomposed into several subtime series at different scales by discrete wavelet transform. Then these subtime series were imposed as inputs to the ANN method. In the second proposed model, observed time series of BOD were decomposed at ten scales by wavelet analysis. Then, total effective time series BOD were imposed as inputs to the neural network model for prediction of BOD in one month ahead. Results showed that the wavelet neural network models performance was better in prediction rather than the neural network and multilinear regression models. The wavelet analysis model produced reasonable predictions for the extreme values. This model dropped the mean absolute percentage error for the MLR, GP, ANN and the first hybrid models from 1.87, 0.91, 0.65 and 0.46 respectively, to 0.44 and increased the Nash Sutcliffe model efficiency coefficient from 0.23, 0.53, 0.73 and 0.81 to 0.83.Keywords: Artificial neural network, BOD, De-noising, Karaj River, Wavelet transformy
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.