بررسی قابلیت مدل ترکیبیPSO-ANFISدر پیش‌بینی عمق آبشستگی

درسال‌های اخیر، فن‌های داده‌کاوی و یادگیری ماشین در زمینه‌های مختلف برای ساخت سامانه‌های اطلاعاتی هوشمند توسعه‌یافته‌اند. بااین‌حال، تعداد کمی از روش‌های ارائه‌شده توانایی پشتیبانی برخط را داشته و یا دارای انعطاف‌پذیری در آنالیز حجم زیادی از داده‌ها می‌باشند. در تحقیق حاضر، به‌منظور به دست آوردن تخمین‌های مناسب از پیش‌بینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات (PSO) استفاده شد. آنالیزها با استفاده از 188 دادۀ صحرایی عمق آبشستگی پایه منفرد که به‌وسیله سازمان حفاظت خاک آمریکا (USGS) ثبت گردیده، انجام شد. به‌منظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیش‌بینی‌های کوتاه‌مدت از روش مومنتوم استفاده شد. نتایج نشان دادندکه روش PSO-ANFIS با کم‌ترین ریشه میانگین مربعات خطا (RMSE) نسبت به دیگر مدل‌های ارائه‌شده، دقت بیش‌تری دارد. ازاین‌رو، این روش با اطمینان بیشتری می‌تواند مورداستفاده طراحان و مهندسین قرار گیرد.