تأثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مؤلفه های اصلی و موجک
چکیده
برآورد جریان حوضه آبریز با توجه به کاربرد گسترده آن در علوم مرتبط با صنعت آب، از دیرباز مورد توجه پژوهشگران بوده است. ارائه الگوهای نو و به کارگیری تکنیک های پیشرفته می تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیرخطی شود. در این تحقیق برای پیش بینی جریان ماهانه، از شبکه عصبی پیشخور استفاده گردیده است. به علت تعداد زیاد متغیرهای مورد استفاده در این تحقیق برای پیش بینی جریان، شناخت متغیرهای مؤثر بر شبکه می تواند باعث بهبود نتایج گردد. به این منظور، با استفاده از تکنیک آماری آنالیز مؤلفه های اصلی، که باعث کاهش تعداد متغیرها و ورود متغیرهای مؤثر به شبکه می شود، اقدام به مدل سازی جریان شد (pca-ann). در ابتدا از pca برای کاهش متغیرهای ورودی استفاده شد و پس از تبدیل 18 متغیر به 18 مؤلفه جدید، از 8 مؤلفه اول در بهترین مدل به عنوان ورودی به شبکه استفاده گردید. همچنین با استفاده از موجک، پیش پردازش روی متغیرهای اصلی صورت گرفت و مدلی نیز برای پیش بینی جریان با این روش ارائه شد (wnn). در نهایت، نتایج به دست آمده از این سه مدل، حاکی از نقش مؤثر پیش پردازش روی متغیرها توسط pca و موجک بود. همچنین در مقایسه با مدل های ann و wnn در مدل pca-ann ، ساختار ساده تر، سرعت آموزش شبکه بیشتر و نتایج رضایت بخش تر بود.