بررسی قابلیت مدل ترکیبیPSO-ANFIS در پیش بینی عمق آبشستگی

در سالهای اخیر، فن های دادهکاوی و یادگیری ماشین در زمینه های مختلف برای ساخت سامانه های اطلاعاتی هوشمند توسعه یافته اند. بااین حال، تعداد کمی از روشهای ارایه شده توانایی پشتیبانی برخط را داشته و یا دارای انعطاف پذیری در آنالیز حجم زیادی از داده ها میباشند. در تحقیق حاضر، به منظور به دست آوردن تخمین های مناسب از پیش بینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات (PSO) استفاده شد. آنالیزها با استفاده از 188 داده صحرایی عمق آبشستگی پایه منفرد که به وسیله سازمان حفاظت خاک آمریکا (USGS) ثبت گردیده، انجام شد. بهمنظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیش بینی های کوتاه مدت از روش مومنتوم استفاده شد. نتایج نشان دادند که روش PSO-ANFIS با کمترین ریشه میانگین مربعات خطا (RMSE) نسبت به دیگر مدل های ارایه شده، دقت بیشتری دارد. ازاین رو، این روش با اطمینان بیشتری میتواند مورداستفاده طراحان و مهندسین قرار گیرد