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:

807
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

509
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مولفه های اصلی

صفحات

 صفحه شروع 53 | صفحه پایان 63

چکیده

 پیش بینی دقیق جریان روزانه, نقش به سزایی در مدیریت کارآمد منابع آب ایفا می کند. به این منظور در این تحقیق سعی شده است که جهت مدل سازی هرچه دقیق تر فرآیند پیش بینی جریان روزانه رودخانه نوران چای واقع در حوضه آتشگاه, از شبکه های عصبی مصنوعی (ANN) استفاده گردد. همچنین به منظور افزایش کارآیی ANN از تجزیه مولفه های اصلی (PCA) جهت پیش پردازش داده های ورودی استفاده گردیده و درنهایت داده های خروجی حاصل, با نتایج مدل رگرسیون خطی چند متغیره (MLR) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ANN-PCA در قیاس با مدل ANN منفرد و MLR از دقت بسیار بالایی برخوردار است. به طوری که نتایج معیارهای ارزیابی شامل ضریب همبستگی (CC), ضریب راندمان (EC) و جذر میانگین مربعات خطاها (RMSE) برای مدل ترکیبی ANN-PCA (در مرحله صحت سنجی) برابر CC=0.9959,EC=0.9905  و RMSE=0.0071, مدل ANN منفرد (در مرحله صحت سنجی) برابر CC=0.9093,  EC=0.8269و  RMSE=0.0405و مدل MLR برابر CC=0.8866, EC=0.7860 وRMSE=0.0926  به دست آمدند. همچنین استفاده از PCA به عنوان یک روش موثر جهت پیش پردازش داده ها, با ایجاد مولفه های مستقل از هم موجب از بین رفتن هم خطی چندگانه می شود. بنابراین PCA موجب افزایش کارآیی مدل ANN می گردد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    حسن زاده، یوسف، عبدی کردانی، امین، شفیعی نجد، مریم، و خوش طینت، سعید. (1394). پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مولفه های اصلی. دانش آب و خاک (دانش کشاورزی)، 25(3)، 53-63. SID. https://sid.ir/paper/147748/fa

    Vancouver: کپی

    حسن زاده یوسف، عبدی کردانی امین، شفیعی نجد مریم، خوش طینت سعید. پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مولفه های اصلی. دانش آب و خاک (دانش کشاورزی)[Internet]. 1394؛25(3):53-63. Available from: https://sid.ir/paper/147748/fa

    IEEE: کپی

    یوسف حسن زاده، امین عبدی کردانی، مریم شفیعی نجد، و سعید خوش طینت، “پیش بینی جریان روزانه رودخانه نوران چای با استفاده از مدل ترکیبی شبکه های عصبی مصنوعی- تجزیه مولفه های اصلی،” دانش آب و خاک (دانش کشاورزی)، vol. 25، no. 3، pp. 53–63، 1394، [Online]. Available: https://sid.ir/paper/147748/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا