این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران امیرکبیر، جلد ۴۹، شماره ۲، صفحات ۵۱-۶۰
عنوان فارسی بهبود نتایج پیش‌بینی BOD رودخانه‌ها بر پایه نویززدایی با مقایسه مدل‌های موجک – عصبی، برنامه‌ریزی ژنتیک، شبکه عصبی و رگرسیون خطی (مطالعه موردی: ایستگاه خروجی سد کرج)
چکیده فارسی مقاله در این مطالعه مدل‌های شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره، برنامه‌ریزی ژنتیک و ترکیب شبکه عصبی- موجک برای پیش بینی اکسیژن‌خواهی بیوشیمیایی ماهانه آب (BOD) در ایستگاه خروجی سد کرج بررسی شد و تأثیر پیش‌پردازش داده‌ها روی عملکرد مدل‌ها بوسیله تجزیه موجک مورد تحقیق قرار گرفت. به این منظور در مدل پیشنهادی اول، سری زمانی BOD مشاهداتی بوسیله توابع تبدیل مختلف در سطوح مختلفی به زیر سری‌ها تجزیه شدند و به عنوان ورودی در مدل شبکه عصبی قرار گرفتند. در مدل پیشنهادی دوم، سری زمانی BOD در ده سطح تجزیه شد. سپس حاصل جمع جبری زیرسری‌های مؤثر به عنوان ورودی مدل شبکه عصبی برای پیش‌بینی ماه آینده BOD درنظر گرفته شد. نتایج نشان داد که عملکرد پیش‌بینی مدل‌های ترکیبی موجک عصبی نسبت به شبکه عصبی، برنامه‌ریزی ژنتیک و رگرسیون بهتر است. این مدل ترکیبی برای مقادیر بیشینه نیز پیش‌بینی قابل قبولی را ارائه داده است. همچنین مدل ترکیبی دوم میانگین قدرمطلق خطا را برای مدل‌های رگرسیون، برنامه‌ریزی ژنتیک، شبکه عصبی و مدل ترکیبی اول، به ترتیب از 87/1 ، 91/0، 65/0 و 46/0 به 44/0 کاهش داد و ضریب کارایی را از 23/0، 53/0، 73/0 و 81/0 به 83/0 افزایش داد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Performance Improvement of Biological Oxygen Demand Prediction (BOD) in Rivers based on Denoising Comparison Wavelet - ANN Conjunction, GP, ANN and MLR Methods (Case Study: Karaj Dam outlet Station)
چکیده انگلیسی مقاله This study considered artificial neural network (ANN), multi-linear regression (MLR), Genetic Programming (GP) and wavelet analysis and ANN combination (WANN), models for monthly water biological oxygen demand (BOD) in station Karaj Dam outlet and investigates the effects of data preprocessing on model performance using discrete wavelet. For this purpose, In the first proposed model, observed time series of BOD were decomposed into several subtime series at different scales by discrete wavelet transform. Then these subtime series were imposed as inputs to the ANN method. In the second proposed model, observed time series of BOD were decomposed at ten scales by wavelet analysis. Then, total effective time series BOD were imposed as inputs to the neural network model for prediction of BOD in one month ahead. Results showed that the wavelet neural network models performance was better in prediction rather than the neural network and multilinear regression models. The wavelet analysis model produced reasonable predictions for the extreme values. This model dropped the mean absolute percentage error for the MLR, GP, ANN and the first hybrid models from 1.87, 0.91, 0.65 and 0.46 respectively, to 0.44 and increased the Nash-Sutcliffe model efficiency coefficient from 0.23, 0.53, 0.73 and 0.81 to 0.83.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله طاهر رجایی |
قم-دانشگاه قم-دانشکده فنی-اتاق مدیر گروه عمران-
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

حمیده جعفری |
قم-دانشگاه قم-
سازمان اصلی تایید شده: دانشگاه قم (Qom university)

رقیه رحیمی |
کارشناس ارشد سازه های هیدرولیکی

نشانی اینترنتی
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