این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و فاضلاب، جلد ۲۰، شماره ۱، صفحات ۱۳-۲۲
عنوان فارسی تأثیر پیش‌پردازش متغیرهای ورودی به شبکه عصبی برای پیش‌بینی جریان ماهانه با آنالیز مؤلفه‌های اصلی و موجک
چکیده فارسی مقاله 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 به‌کارگیری تکنیک‌های پیشرفته می‌تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیرخطی شود. در این تحقیق برای پیش‌بینی جریان ماهانه، از شبکه عصبی پیشخور استفاده گردیده است. به علت تعداد زیاد متغیرهای مورد استفاده در این تحقیق برای پیش‌بینی جریان، شناخت متغیرهای مؤثر بر شبکه می‌تواند باعث بهبود نتایج گردد. به این منظور، با استفاده از تکنیک آماری آنالیز مؤلفه‌های اصلی، که باعث کاهش تعداد متغیرها و ورود متغیرهای مؤثر به شبکه می‌شود، اقدام به مدل‌سازی 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، پیش‌پردازش روی متغیرهای اصلی صورت گرفت و مدلی نیز برای پیش‌بینی جریان با این روش ارائه شد (WNN). در نهایت، نتایج به‌دست آمده از این سه مدل، حاکی از نقش مؤثر پیش‌پردازش روی متغیرها توسط PCA و موجک بود. همچنین در مقایسه با مدل‌های ANN و WNN در مدل PCA-ANN ، ساختار ساده‌تر، سرعت آموزش شبکه بیشتر و نتایج رضایت‌بخش‌تر بود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Effect of Input Variables Preprocessing in Artificial Neural Network on Monthly Flow Prediction by PCA and Wavelet Transformation
چکیده انگلیسی مقاله River flow forecast has of long been the focus of attention due to its wide applications in water-related sciences. Development of new models and advanced techniques will bring about drastic changes in the estimation of this dynamic and nonlinear system. In this research, feed-forward Artificial Neural Network (ANN) was used to predict monthly flow. Given the numerous flow forecast variables used in the present study, identification of variables effective in the network was necessary to help obtain improved results. For this purpose, we modeled the flow using the Principal Component Analysis (PCA) technique that reduces the number of input variables to include only the ones effective in ANN (PCA-ANN). PCA was first employed to reduce the number of input variables whereby 18 original variables were changed to 18 new components and the first 8 in the best model were then selected as network inputs. In addition, wavelet transformation was used for preprocessing input variables in the network to develop a model for flow forecasting (WNN). Comparison of the results obtained from the three models (ANN, PCA-ANN, and WNN) indicated the positive effect of preprocessing by wavelet and PCA on input variables. Another finding of the study was that the proposed model (PCA-ANN) had a simpler network architecture, faster training speed, and more satisfactory predicting performance in comparison with ANN and WNN models.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله روح اله نوری |
دانشجوی دکترای مهندسی محیط زیست، دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

اشکان فرخ نیا |
دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

سعید مرید |
دانشیار گروه مهندسی منابع آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

حسین ریاحی مدوار |
دانشجوی دکترای سازه های آبی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://www.wwjournal.ir/article_1687_59c2ced5ca7c9e7a592a714fb5356716.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات