Thesis

پیش بینی دبی های متوسط روزانه و ماهانه با استفاده از مدل های شبکه عصبی فازی و خودهمبسته میانگین متحرک (مطالعه موردی: حوضه رودخانه سفید)

Download full textFree with an account; signing up with Google takes seconds

Abstract(in Persian; no English abstract is available)

پیش¬بینی جریان رودخانه یکی از مهم¬ترین ارکان در مدیریت منابع آب¬های سطحی به ویژه اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی¬ها است. به طور سنتی، مدل¬سازی و تجزیه و تحلیل سری¬های زمانی برای ساختن مدل¬های ریاضی در جهت تولید داده¬های هیدرولوژیکی در هیدرولوژی و منابع آب استفاده می¬شود. همچنین انتخاب ترکیب مناسب از پارامترهای ورودی. در این پژوهش برای پیش¬بینی دبی روزانه و ماهانه رودخانه سفید از روش-های سری زمانی، شبکه عصبی – فازی و شبکه عصبی مصنوعی استفاده شده است. در این تحقیق برای پیش¬بینی دبی روزانه از آمار سال 1381 تا 1391 و برای پیش¬بینی دبی ماهانه از آمار سال 1365 تا 1391 استفاده گردید. برای مدل¬سازی شبکه عصبی – فازی و شبکه عصبی مصنوعی در داده¬های روزانه از 15 ورودی و در داده¬های ماهانه از هفت و یک خروجی استفاده گردید و برای تعیین ترکیب ورودی از روش¬های رگرسیون گام به گام، آزمون گاما، الگوریتم ژنتیک و تجزیه و تحلیل مولفه اصلی استفاده گردید. همچنین برای تعیین تعداد داده¬های تست و آموزش در شبکه عصبی – فازی روش آزمون و خطا و در شبکه عصبی مصنوعی روش m-test مورد استفاده قرار گرفت. سپس با استفاده از ترکیب¬های ورودی تعیین شده شبکه عصبی – فازی مدل¬سازی شد. مدل شبکه عصبی – فازی برای داده¬های روزانه در حالت استفاده از ترکیب آزمون گاما و در داده¬های ماهانه با ترکیب رگرسیون گام به گام بهترین نتیجه را نشان داد. در گام بعد مدل¬سازی شبکه عصبی مصنوعی با ترکیب¬های ورودی تعیین شده انجام گرفت. در این مرحله داده¬های روزانه و ماهانه در حالت استفاده از تمام پارامترها مناسب¬ترین نتیجه را داشت. در آخر مدل¬سازی سری زمانی انجام گرفت و بهترین مدل بر اساس معیار آکائیک انتخاب گردید. در این مرحله برای داده¬های روزانه مدل arima (5,0,9) و برای داده¬های ماهانه مدل arima (1,0,2) به عنوان مناسب¬ترین مدل¬ها انتخاب شدند. در نهایت نتایج حاصل از این مطالعه نشان داد که در سری داده¬های روزانه به ترتیب شبکه عصبی فازی با ترکیب منتخب آزمون گاما با ضریب همبستگی 05/98% و مجذور میانگین مربعات خطای?4×10 ?^(-5)، شبکه عصبی مصنوعی با تمام پارامترهای ورودی با ضریب همبستگی 94/94% و میانگین مربعات خطای ?2×10 ?^(-4)، و مدل arima (5,0,9) با ضریب همبستگی 65/53% و مجذور میانگین مربعات خطای 27/0 به عنوان مناسب¬ترین روش¬ها انتخاب شدند. همچنین در داده¬های ماهانه به ترتیب مدل arima (1,0,2) با ضریب همبستگی 97/99% و مجذور میانگین مربعات خطای 07/0 ، روش شبکه عصبی مصنوعی با ضریب همبستگی 22/98% و میانگین مربعات خطای?5×10 ?^(-4)، با تمام پارامترهای ورودی و مدل شبکه عصبی – فازی با ضریب همبستگی 53/75% و مجذور میانگین مربعات خطای 0029/0 با ترکیب ورودی رگرسیون گام به گام به عنوان مناسب-ترین روش¬ها انتخاب شدند. در نهایت نتایج حاصل از این مطالعه نشان داد که در سری داده¬های روزانه به ترتیب شبکه عصبی فازی با ترکیب منتخب آزمون گاما با ضریب همبستگی 05/98 % و مجذور میانگین مربعات خطای〖4×10 〗^(-5)، شبکه عصبی مصنوعی با تمام پارامترهای ورودی با ضریب همبستگی 94/94% و میانگین مربعات خطای 〖2×10 〗^(-4)، و مدل arima (5,0,9) با ضریب همبستگی 65/53% و مجذور میانگین مربعات خطای 27/0 به عنوان مناسب¬ترین روش¬ها انتخاب شدند. همچنین در داده¬های ماهانه به ترتیب مدل arima (1,0,2) با ضریب همبستگی 97/99% و مجذور میانگین مربعات خطای 07/0 ، روش شبکه عصبی مصنوعی با ضریب همبستگی 22/98% و میانگین مربعات خطای〖5×10 〗^(-4)، با تمام پارامترهای ورودی و مدل شبکه عصبی – فازی با ضریب همبستگی 53/75% و مجذور میانگین مربعات خطای 0029/0 با ترکیب ورودی رگرسیون گام به گام به عنوان مناسب¬ترین روش¬ها انتخاب شدند

Supervisors and advisors

حسین ملکی نژاد، رسول روزگار

Similar theses

  • پیش بینی چرخه عمر محصول با استفاده از شبکه عصبی فازی در شرکت پگاه فارس

    Thesis2013وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده مدیریت و اقتصاداعظم توکلی

    یکی از مهمترین وظایف علم در زمینه های مختلف یافتن رابطه بین پدیده های مختلف به منظور پیش بینی آینده است. سازمان های تولیدی و خدماتی نیاز به پیش بینی آینده دارند. آن ها باید آینده را برای بقا پیش بینی کنند. پیش بینی چرخه عمر محصول سازمان یکی از مهمترین موارد پیش بینی در یک سازمان

  • پیش بینی نوسانات سطح ایستابی با استفاده از شبکه عصبی مصنوعی مطالعه موردی دشت فیروزآباد فارس

    Thesis2008وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده کشاورزیبهناز تجلی زاده خوب

    آب زیرزمینی یک منبع بسیار مهم تأمین آب شیرین مورد نیاز جهت مصارف کشاورزی، شرب و صنعت در تمام جهان می باشد و در مناطق خشک و نیمه خشک که محدودیت هایی برای منابع دیگر وجود دارد از اهمیت ویژه ای برخوردار است. دشت فیروزآباد یکی از دشتهای مستعد برای کشاورزی در استان فارس می باشد که با

  • پیش بینی اظهارنظر مشروط حسابرسی با استفاده از شبکه عصبی پرسپترون چندلایه و درخت تصمیم

    Thesis2011وزارت علوم، تحقیقات و فناوری - دانشگاه اصفهان - دانشکده علوم اداری و اقتصادبهاره برخورداریان

    در سیستم های اجتماعی- اقتصادی کنونی، وظیفه بهینه نمودن گزارش های اقتصادی و اعتبار بخشی به صورت های مالی، به حسابرسان مستقل واگذار شده است. گزارش حسابرسی دامنه رسیدگی به اطلاعات مالی را مشخص کرده و یافته های حسابرسی را از طریق اظهار نظر حسابرس ابلاغ می نماید. پیش بینی نوع اظهارنظر

  • پیش بینی ویسکوزیته مخلوط سیال با استفاده از شبکه عصبی موجک

    Thesis2009وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده شیمیعلی حسن زاده سورشجانی

    در این پایان نامه از شبکه عصبی موجک برای پیش بینی ویسکوزیته مخلوط سیال در محدوده وسیع دما و فشار استفاده شد. با استفاده از این روش با داشتن سه ورودی دما، دانسیته و کسر مولی خروجی یعنی ویسکوزیته محاسبه گردید. نوع الگوریتمی از شبکه عصبی مصنوعی که مورد استفاده قرار گرفت، الگوریتم پس

  • پیش بینی قیمت گوشت مرغ با استفاده از شبکه عصبی و الگوریتم ژنتیک

    Thesis2009وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده کشاورزیفهیمه غریب

    در کشور ما صنعت مرغداری جهت رسیدن به یک ثبات نسبی و دستیابی به یک تولید انبوه راه درازی در پیش دارد و نیازمند یک برنامه ریزی مدون علمی است که با رسیدن به مطلوبیت کیفی و کمی بتواند جایی را برای ماندگاری خود باز کند. این امر محقق نمی گردد مگر با توجه به ثبات نسبی قیمت ها و پیش بینی

  • پیش بینی ‏‎ thc‎‏هوای تهران با استفاده از شبکه عصبی مصنوعی

    Thesis2001وزارت علوم، تحقیقات و فناوری - دانشگاه مازندرانوحید بلوطی

    پیش بینی رفتار آلاینده های ناشی از عملکرد خودروها در محیط ، از پیچیده ترین مسائل مربوط به شیمی اتمسفر است . در این میان ‏‎thc‎‏ از یک طرف به عنوان آلاینده ای که در سطح زمین اثرات سو بر محیط زیست و انسان دارد و از طرف دیگر بخاطر واکنشهای پیچیده ای که برای تولید و از بین رفتن ‏‎thc

Similar items