مقاله

پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مؤلفه های اصلی

یوسف حسن زاده، امین عبدی کردانی، مریم شفیعی نجد، سعید خوش طینت

چکیده

پیش­­بینی دقیق جریان روزانه، نقش به­سزایی در مدیریت کارآمد منابع آب ایفا می­کند. به این منظور در این تحقیق سعی شده است که جهت مدل­سازی هرچه دقیق­تر فرآیند پیش بینی جریان روزانه رودخانه نوران­چای واقع در حوضه آتشگاه، از شبکه­های عصبی مصنوعی (ann) استفاده ­گردد. همچنین به منظور افزایش کارآیی ann از تجزیه مؤلفه های اصلی (pca) جهت پیش پردازش داده­های ورودی استفاده گردیده و درنهایت داده­های خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (mlr) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ann-pca در قیاس با مدل ann منفرد و mlr از دقت بسیار بالایی برخوردار است. به­طوری­که نتایج معیارهای ارزیابی شامل ضریب همبستگی (cc)، ضریب راندمان (ec) و جذر میانگین مربعات خطاها (rmse) برای مدل ترکیبی ann-pca (در مرحله صحت­سنجی) برابر 9959/0=cc، 9905/0=ec و 0071/0=rmse، مدل ann منفرد (در مرحله صحت­سنجی) برابر 9093/0=cc، 8269/0=ec و 0405/0=rmse و مدل mlr برابر 8866/0=cc، 7860/0=ec و 0926/0=rmse به دست آمدند. همچنین استفاده از pca به عنوان یک روش مؤثر جهت پیش پردازش داده­ها، با ایجاد مؤلفه های مستقل از هم موجب از بین رفتن هم خطی چندگانه می­شود. بنابراین pca موجب افزایش کارآیی مدل ann می­گردد.

اسناد مشابه