به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « شبکه عصبی مصنوعی (ann) » در نشریات گروه « مهندسی آب »

تکرار جستجوی کلیدواژه «شبکه عصبی مصنوعی (ann)» در نشریات گروه «فنی و مهندسی»
  • عرفان رستم زاده، علیرضا پرویشی*

    در مطالعه حاضر خشکسالی حوضه آبریز سیمنه رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تیوری موجک (W) مورد بررسی قرار گرفت. از داده های شش ایستگاه باران سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیش بینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تیوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالی های حوضه آبریز سیمینه رود پیشنهاد گردید.

    کلید واژگان: ماشین بردار پشتیبان(SVM), تئوری موجک (W), شبکه عصبی مصنوعی (ANN), شاخص خشکسالی (SPI), حوضه آبریز سیمینه رود}
    Erfan Rostam Zade, Alireza Parvishi *

    In the present study, the drought of Siminehroud basin was investigated by intelligent Support Vector Machine (SVM) models, Artificial Neural Network (ANN) and Wavelet theory (W). Data from six rain gauge stations in the region were used and drought index was calculated in four time scales. The first-order autocorrelation was also selected as the optimal delay. Then the appropriate structure of the Artificial Neural Network was determined using Trial and Error Method and the three coefficients of the SVM model were determined and modeled. The results of evaluating individual models showed that there is no significant difference between two methods in predicting droughts. Then WANN and WSVM hybrid models were prepared. The results showed that the application of Wavelet theory greatly improved the performance of individual models and the amount of RMSE and MAE indices decreased by 19% and 21% and the correlation coefficient increased by 30%, respectively.

    Keywords: Support Vector Machin (SVM), Wavelet theory (W), Artificial Neural Network (ANN), Standardized Precipitation Index(SPI), Siminehroud Basin}
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.
درخواست پشتیبانی - گزارش اشکال