لطفا برای مشاهده چکیده به متن کامل (pdf) مراجعه فرمایید.

سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت های مالی و جانی فراوانی به جوامع مختلف می گردد. به همین دلیل محققین سعی نموده اند که تغییرات کمی این پدیده را حتی المقدور به طور دقیق مورد بررسی قرار دهند. در این پژوهش برای تخمین دبی روزانه ایستگاه بادآور نورآباد واقع در استان لرستان از مدل شبکه عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند ازجمله شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته یک تا چهار روز قبل در مقیاس زمانی روزانه در طی دوره آماری (1391-1381) به عنوان ورودی و دبی حداکثر روزانه به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب تعیین، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدل ها مورداستفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی روزانه دارند، مقایسه نتایج نشان داد مدل شبکه عصبی موجک عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی در مدل سازی دارد، به گونه ای که مدل شبکه عصبی موجک با بالاترین ضریب تعیین (920/0)، جذر میانگین مربعات خطا (005/0) و نیز میانگین قدر مطلق خطا (003/0) در مرحله صحت سنجی در اولویت قرار گرفت. درمجموع نتایج نشان داد استفاده از مدل شبکه عصبی موجک می تواند درزمینه تخمین دبی روزانه مفید باشد.

سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت های مالی و جانی فراوانی به جوامع مختلف می گردد. به همین دلیل محققان سعی نموده اند که تغییرات کمی این پدیده را حتی المقدور به طور دقیق مورد بررسی قرار دهند. در این پژوهش جهت تخمین دبی سیلابی ایستگاه کهمان الشتر واقع در استان لرستان از مدل شبکه عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته در مقیاس زمانی روزانه با تاخیرهای مختلف در طی دوره آماری (1391-1380) به عنوان ورودی و دبی حداکثر روزانه به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدرمطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی سیلابی دارند، لیکن از لحاظ دقت، مدل شبکه عصبی موجک عملکرد بهتری نسبت به شبکه عصبی مصنوعی از خود نشان داده است.

برآورد تبخیر و تعرق به منظور کاربرد در برنامه ریزی، طراحی و مدیریت طرحهای آبیاری و زهکشی و مدیریت منابع آب ضروری است. در این تحقیق به ارزیابی مدل های شبکه عصبی مصنوع، مدل شبکه عصبی-موجک، رگرسیون چند متغیره و روش تجربی هارگریوز در برآورد تبخیر و تعرق مرجع به منظور تعیین بهترین مدل از نظر میزان کارایی با توجه به دادههای موجود پرداخته شد. از دادههای روزانه دو ایستگاه هواشناسی فرودگاه شهرکرد و فرخ شهر در منطقه خشک و سرد شهرکرد در بازه زمانی 2013-2004 شامل دمای حداقل و حداکثر، رطوبت نسیبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی استفاده شد. 75 درصد دادهها برای آموزش و اعتبارسنجی و 25 درصد دادهها برای تست مدلها استفاده شد. شبکه طراحی شده یک شبکه عصبی پیش خور با تابع فعال تانژانت سیگموئید در لایه پنهان است. در مرحله بعدی موجک های مختلف Haar، db و Sym روی داده ها اعمال شد و شبکه عصبی-موجک طراحی شد. برای ارزیابی مدلها روش پتمن مونتیث فائو مبنای کار قرار گرفت. برای هر چهار روش استفاده شده شاخص های آماری RMSE، MAE و R محاسبه و رتبه دهی شدند. نتایج نشان داد که از میان مدل های طراحی شده، شبکه عصبی موجک با موجک 5 db عملکرد بهتری نسبت به موجک های دیگر و همچنین نسبت به شبکه عصبی مصنوعی، روش آماری رگرسیون چند متغیره و روش هارگریوز داشته است. نتایج مدل شبکه عصبی-موجک با موجک 5 db در ایستگاه فرخ شهر به ترتیب برابر 0/2668، 0/2067 و 0/998 و در ایستگاه فرودگاه به ترتیب برابر 0/2138، 0/14 و 0/9989 محاسبه شد. نتایج نشان داد که شبکه عصبی-موجک عملکرد دقیقتری نسبت به سایر مدلهای مورد بررسی در این تحقیق داشت.

بدون شک اولین قدم در مدیریت رودخانه پیش بینی بارش سطح حوضه آبریز می باشد. با این حال، با توجه به بالا بودن خاصیت تصادفی فرآیندها، بسیاری از مدل ها هنوز هم به منظور تعریف چنین پدیده پیچیده ای در زمینه مهندسی هیدرولوژیک توسعه داده می شوند. اخیرا شبکه های عصبی مصنوعی به عنوان یک برونیابی و درون یابی غیرخطی گسترده توسط هیدرولوژیست ها مورد استفاده قرار می گیرد. در پژوهش حاضر، تجزیه و تحلیل موجک به صورت ترکیب با شبکه عصبی مصنوعی و مقایسه با شبکه عصبی مصنوعی برای پیش بینی بارش ایستگاه وراینه در شهرستان نهاوند انجام شد. برای این منظور، سری زمانی اصلی با استفاده از تئوری موجک به چندین زیرسیگنال زمانی تجزیه شد، پس از آن این زیرسیگنال ها به عنوان داده های ورودی به شبکه عصبی مصنوعی برای پیش بینی بارش ماهانه استفاده شد. نتایج به دست آمده نشان داد که با توجه به ضریب همبستگی 0.92 و میانگین مربعات خطای 0.002 مدل ترکیبی شبکه عصبی مصنوعی-موجک، عملکرد این مدل نسبت به مدل شبکه عصبی مصنوعی با ضریب همبستگی 0.75 و میانگین مربعات خطای 0.003 بهتر می باشد و میتواند برای پیشبینی بارش کوتاه مدت و بلند مدت استفاده شود.

در این مقاله، مدلسازی دستگاه تولید لینک خودکار یا ALE با استفاده از شبکه های عصبی یا هوش مصنوعی معرفی شده است. به طور کلی می توان عملکرد یک دستگاه ALE را مدلسازی کرد. هدف از مدلسازی، طراحی همین دستگاه با استفاده از روش های جدید و پیاده سازی با استفاده از ابزارهای موجود و در نتیجه بومی سازی آن است. در همین راستا، در این مقاله با استفاده از شبکه های عصبی و الگوریتم MLP تلاش شده است که عملکرد کلی دستگاه ALE مدلسازی و پیاده سازی شود. در ابتدا، پس از بررسی کانال های مخابراتی و اثرات غیرخطی و نویز بر انتقال داده، یک مدل برای انتقال داده در کانال های مخابراتی معرفی و در محیط نرم افزار متلب کد نویسی شده است. سپس به معرفی انواع شبکه های عصبی و کاربردهای آن پرداخته شده است و بهترین الگوریتم برای مدلسازی دستگاه ALE انتخاب شده است. در ادامه چندین مدل با استفاده از tools نرم افزار متلب و کد نویسی الگوریتم MLP انجام گرفته است و مقایسه شده است. در نهایت مدل پیشنهادی که مبتنی بر الگوریتم MLP است با کمترین خطا، به ازای خروجی جدید می تواند کانال مناسب را پیش بینی کند. مدل های پیشنهادی پس از بهینه سازی قابل پیاده سازی بر روی FPGA هستند و راهی برای ساخت این دستگاه در داخل کشور فراهم می آورد.

معمولاً سهم قابل ملاحظه ای از خسارت های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه های لایروبی ناشی از نشست آن ها در مناطق طبیعی، مسکونی و صنعتی برمی گردد. ازاین رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه های عصبی مصنوعی به خوبی برای پیش­بینی سری های زمانی غیرخطی توسعه یافته اند، اما ماهیت غیرخطی داده های رسوب و تأثیر گسترده ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش­بینی این داده ها همواره با چالش هایی مواجه باشند. تئوری موجک ازجمله روش های پیش پردازشی است که می­تواند با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر روابط درونی داده های غیرخطی گردد. در تحقیق حاضر مقادیر داده های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش­بینی صورت پذیرفت. همچنین به منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه های عصبی مصنوعی 104/0 و 35/0 و در شبکه های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده ها، تأثیر موجک در شناسایی سیگنال های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه های عصبی منفرد در پیش بینی میزان رسوبات قابل حمل در سیلاب به وضوح قابل توجه است.

این مطالعه تلاشی است در جهت به کارگیری ترکیب مدل شبکه عصبی پویا و تجزیه موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش بینی متغیر مذکور می باشد. جهت تحقق این مهم، از داده های سری زمانی ماهانه نرخ ارز طی بازه زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده بوده که از این بین، تعداد 150 مشاهده جهت مدل سازی ها استفاده شده و تعداد 27 مشاهده نیز جهت شبیه سازی و یا به بیان دیگر به منظور ارائه پیش بینی های خارج از نمونه به کار گرفته شده است. یافته های این مطالعه حاکی از آن بوده است که اولا، مدل های شبکه عصبی پویا در مقایسه با مدل های شبکه عصبی چند لایه پیشخور، از عملکرد بهتری در پیش بینی خارج از نمونه نرخ ارز، بر مبنای هر دو معیار محاسبه خطای پیش بینی  MSEو RMSE داشته است و ثانیا، به کارگیری تکنیک تجزیه موجک سبب بهبود نتایج پیش بینی های مدل های مذکور بر مبنای هر دو معیار مذکور گشته است. ثالثا، در میان مدل های مذکور، بهترین نتیجه متعلق به پیش بینی های حاصل از مدل های شبکه عصبی پویای مبتنی بر داده های تجزیه شده با تکنیک موجک بوده است. لذا، استفاده از این ترکیب مدل ها را به عنوان یک ترکیب بهینه می توان به محققان، تحلیل گران و تصمیم گیران پولی کشور، پیشنهاد نمود.