پیش پردازش پارامترهای ورودی به شبکه ی عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی با استفاده از رگرسیون گام به گام و گاماتست به منظور تخمین تبخیر
عنوان مقاله: پیش پردازش پارامترهای ورودی به شبکه ی عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی با استفاده از رگرسیون گام به گام و گاماتست به منظور تخمین تبخیر
شناسه ملی مقاله: JR_WATER-3-1_006
منتشر شده در در سال 1391
شناسه ملی مقاله: JR_WATER-3-1_006
منتشر شده در در سال 1391
مشخصات نویسندگان مقاله:
محمد زمانیان - آبیاری و زهکشی، دانشگاه شهرکرد، شهرکرد، ایران
روح اله فتاحی - استادیار گروه مهندسی آب، دانشگاه شهرکرد، شهرکرد، ایران
فرشته حسین پور - مهندسی آب، دانشگاه شهرکرد،
خلاصه مقاله:
محمد زمانیان - آبیاری و زهکشی، دانشگاه شهرکرد، شهرکرد، ایران
روح اله فتاحی - استادیار گروه مهندسی آب، دانشگاه شهرکرد، شهرکرد، ایران
فرشته حسین پور - مهندسی آب، دانشگاه شهرکرد،
فرایند تبخیر بهعلت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر یکدیگر،یک پدیدهیغیرخطی و پیچیده است. یکی از مراحل پیچیده در مدلسازی غیرخطی، پیشپردازش پارامترهای ورودی برای انتخاب ترکیبی مناسب از آنها است. پیشپردازش دادهها سبب کاهش مراحل سعی و خطا و شناخت مهمترین پارامترهای موثر بر پدیدهی مورد نظر بهمنظور مدلسازی با استفاده از روشهای هوشمند میشود. در این پژوهش از دو روش رگرسیون گام به گام (FS) و گاماتست (GT) برای پیشپردازش پارامترهای ورودی به شبکهی عصبی پرسپترون چندلایه و سیستم استنتاج تطبیقی عصبی- فازی برای تخمین تبخیر روزانهی ایستگاه هواشناسی شهرکرد استفاده شده است. برای ارزیابی تاثیرپیشپردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسهی چهار مدل ANN-FS، ANN-GT، ANFIS-FS و ANFIS-GT (با پارامترهای پیشپردازش شده) با یکدیگر و همچنین با مدلهای ANN و ANFISکه هیچگونه پیشپردازشی روی پارامترهای ورودی آنها انجام نشده است، پرداخته شد. نتایج نشان داد که هر شش مدل از دقت بالایی برای تخمین تبخیر روزانه برخوردار هستند و از میان شش مدل مزبور، مدل ANFIS-FS با مقدار ضریب تبیین (R۲) ۹۱/۰ و جذر میانگین مربعات خطای (RMSE) ۱۱/۰ چه در مرحلهی آموزش و چه در مرحلهی آزمون، نسبت به مدلهای دیگر از دقت بالاتری برخوردار است. اگرچه در این پژوهش برتری مدلهای پیشپردازش ناچیز است اما توانایی مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریبا ۳۷۲۰ دادهی معنیدار برای آموزش شبکه و یافتن بهترین ترکیب، آزمون گاماتست را میتواند بهعنوان ابزاری مفید برای پیشپردازش پارامترهای ورودی برای مدلسازی سریعتر تبخیر تبدیل کند.
کلمات کلیدی: تبخیر, رگرسیون گام به گام, گاماتست, مدل های هوشمند
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1406305/