Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,343
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

558
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

تاثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مولفه های اصلی و موجک

صفحات

 صفحه شروع 13 | صفحه پایان 22

چکیده

 برآورد جریان حوضه آبریز با توجه به کاربرد گسترده آن در علوم مرتبط با صنعت آب, از دیرباز مورد توجه پژوهشگران بوده است. ارایه الگوهای نو و به کارگیری تکنیک های پیشرفته می تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیر خطی 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 موثر بر شبکه می تواند باعث بهبود نتایج گردد. به این منظور, با استفاده از تکنیک آماری آنالیز مولفه های اصلی, که باعث کاهش تعداد متغیرها و ورود متغیرهای موثر 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 مولفه جدید, از 8 مولفه 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 ارایه شد (WNN). در نهایت, نتایج به دست آمده از این سه مدل, حاکی از نقش موثر پیش پردازش روی متغیرها توسط PCA و موجک بود. همچنین در مقایسه با مدل های ANN و WNN در مدلPCA-ANN , ساختار ساده تر, سرعت آموزش شبکه بیشتر و نتایج رضایت بخش تر بود.

استنادها

ارجاعات

استناددهی

APA: کپی

نوری، روح اله، فرخ نیا، اشکان، مرید، سعید، و ریاحی مدوار، حسین. (1388). تاثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مولفه های اصلی و موجک. آب و فاضلاب، 20(1 (مسلسل 69))، 13-22. SID. https://sid.ir/paper/103466/fa

Vancouver: کپی

نوری روح اله، فرخ نیا اشکان، مرید سعید، ریاحی مدوار حسین. تاثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مولفه های اصلی و موجک. آب و فاضلاب[Internet]. 1388؛20(1 (مسلسل 69)):13-22. Available from: https://sid.ir/paper/103466/fa

IEEE: کپی

روح اله نوری، اشکان فرخ نیا، سعید مرید، و حسین ریاحی مدوار، “تاثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مولفه های اصلی و موجک،” آب و فاضلاب، vol. 20، no. 1 (مسلسل 69)، pp. 13–22، 1388، [Online]. Available: https://sid.ir/paper/103466/fa

مقالات مرتبط نشریه ای

مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا