این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سامانه سطوح آبگیر باران، جلد ۱۳، شماره ۲، صفحات ۳۹-۶۰
عنوان فارسی ارزیابی مدل‌های هوشمند در پیش‌بینی دبی ایستگاه‌های آلادیزگه و ارباب‌کندی
چکیده فارسی مقاله تحقیق حاضر باهدف ارزیابی عملکرد مدل‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حالت هیبرید آن‌ها با مدل موجک در پیش‌بینی دبی ایستگاه‌های هیدرومتری آلادیزگه و ارباب‌کندی واقع درحوضه قره سو انجام شد. با در نظر گرفتن شاخص همبستگی، در ایستگاه های هیدرومتری ارباب‌کندی و آلادیزگه به‌ترتیب دبی دو ماه قبل و دبی یک ماه قبل به‌عنوان ورودی مدل رواناب در نظر گرفته شدند. حالت بهینه در مدل‌های شبکه عصبی مصنوعی و هیبرید موجک- شبکه عصبی مصنوعی در ایستگاه آلادیزگه به‌ترتیب در دو و پنج نرون و در ایستگاه ارباب‌کندی به‌ترتیب در 12 و یک نرون حاصل شدند. نتایج حاکی از آن بود که تطابق بین مقادیر مشاهداتی رواناب و رواناب پیش‌بینی‌شده در استفاده از ترکیب موجک- شبکه عصبی مصنوعی و نیز ترکیب موجک- ماشین بردار پشتیبان نسبت به حالت‌های استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان مرسوم بالابود. به‌طوری‌که در ایستگاه ارباب‌کندی هیبرید کردن مدل منفرد شبکه عصبی مصنوعی با مدل موجک موجب افزایش پارامتر R از 44/0 به 91/0 و نیز کاهش پارامترهای RE و RMSE به‌ترتیب از 41 درصد و 03/2 مترمکعب بر ثانیه به 23 درصد و 33/1مترمکعب بر ثانیه شد. علاوه براین، شاخص‌های ضریب نش-ساتکلیف (NSE) و نسبت میانگین هندسی خطا (GMER) در مدل‌های ترکیبی موجک-شبکه عصبی مصنوعی و موجک-ماشین بردار پشتیبان در هر دو ایستگاه، نسبت به سایر مدل‌ها از عملکرد مطلوب‌تری برخوردار بودند. به‌ویژه در ایستگاه ارباب‌کندی، مقادیر این شاخص‌ها برای مدل موجک-شبکه عصبی مصنوعی به‌ترتیب 78/0 و 94/0 به‌دست آمد که نشان‌دهنده دقت و قابلیت اطمینان بالای این مدل است. بعد از مدل هیبرید موجک- شبکه عصبی مصنوعی که بهترین تطابق و همخوانی را با داده‌های مشاهداتی داشت، مدل هیبرید موجک- ماشین بردار پشتیبان در هر دو ایستگاه از دقت و کارایی خوبی برخوردار بود.
کلیدواژه‌های فارسی مقاله شبکه عصبی مصنوعی، ماشین بردار پشتیبان، تبدیل موجک، تأخیر زمانی
عنوان انگلیسی Evaluation of intelligent models in predicting the discharge of Aladyzga and Arbabkandy stations
چکیده انگلیسی مقاله The present study was conducted to evaluate the performance of artificial neural networks, support vector machine models, and their hybrid mode with the wavelet model in predicting the discharge of the Aladyzga and Arbabkandy hydrometric stations located in the Qara Su watershed. Considering the correlation index, the discharge of two months ago and the discharge of one month ago were considered as the input of the runoff model at the Arbabkandy and Aladyzga hydrometric stations, respectively. The optimal state in the artificial neural network and hybrid wavelet-artificial neural network models was achieved in two and five neurons at the Aladyzga station, respectively, and in 12 and one neuron at the Arbabkandy station, respectively. The results indicated that the agreement between the observed runoff and predicted runoff values was high when using the wavelet-artificial neural network combination and the wavelet-support vector machine combination compared to the cases of using the conventional artificial neural network and support vector machine. Thus, at Arbabkandy station, hybridizing the single model of the artificial neural network with the wavelet model increased the R parameter from 0.44 to 0.91 and also reduced the RE and RMSE parameters from 41% and 2.03 m3 s-1 to 23 % and 1.33 m3 s-1, respectively. The NSE and GMER indices in the wavelet-artificial neural network and wavelet-support vector machine models had better acceptance in both stations than in the other models, so that in Arbabkandy station, the values of these indices in the wavelet-artificial neural network model were 0.78 and 0.94, respectively. After the hybrid wavelet-artificial neural network model, which had the best fit and consistency with the observational data, the hybrid wavelet-support vector machine model had good accuracy and efficiency compared to other models used in both stations
کلیدواژه‌های انگلیسی مقاله Artificial neural network, Support vector machine, Wavelet transform, Time delay
نویسندگان مقاله فریبرز احمدزاده کلیبر | Fariborz Ahmadzadeh Kaleybar
Assistant Professor, Department of Water Science and Engineering, Ta.C., Islamic Azad University, Tabriz, Iran, Email: f.ahmadzadeh@iau.ac.ir
استادیار، گروه علوم و مهندسی آب، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران، f.ahmadzadeh@iau.ac.ir

احد مولوی | Ahad Molavi
Assistant Professor, Department of Water Science and Engineering, Ta.C., Islamic Azad University, Tabriz, Iran, Email: ahad.molavi@iau.ac.ir
استادیار، گروه علوم و مهندسی آب، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران، ahad.molavi@iau.ac.ir

بهمن مهرورز قوجه بگلو | Bahman Mehrvarz Qoje Begloo
Former M.Sc. Student, Department of Water Science and Engineering, Ta.C., Islamic Azad University, Tabriz, Iran, Email: mehrvarz13581365@Gmail.com
دانش‌آموخته کارشناسی ارشد، گروه علوم و مهندسی آب، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران، mehrvarz13581365@Gmail.com

نشانی اینترنتی http://jircsa.ir/browse.php?a_code=A-10-2353-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات