%0 Journal Article %T توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه‌بندی و اطلاعات مشترک %J رویکردهای نوین در مهندسی عمران %I Papyrus Press %Z 2588-7122 %A عندلیب, غلامرضا %A نورانی, وحید %A منیری فر, حسین %A شرقی, الناز %D 2019 %\ 08/23/2019 %V 3 %N 2 %P 49-62 %! توسعه روش ترکیبی موجک-شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای مدلسازی چند ایستگاهه بارش-رواناب با استفاده از ابزارهای خوشه‌بندی و اطلاعات مشترک %K اطلاعات مشترک %K تبدیل موجک %K حوضه آبریز LRW %K نقشه‌های خودسازمانده %K هوش مصنوعی %R 10.30469/jnace.2019.95443 %X در این مقاله پیش بینی چند ایستگاهه رواناب با استفاده از تبدیل موجک و شبکه عصبی مصنوعی خودسازمانده و مدل های هوش مصنوعی در حوضه آبریز Little River Watershed (LRW) انجام گردید. بطوریکه سری های زمانی رواناب توسط تبدیل موجک تجزیه گشته و سپس زیرسری های تجزیه شده توسط شبکه عصبی مصنوعی خودسازمانده خوشه بندی گردید. در ادامه، معیار استخراج ویژگی (اطلاعات مشترک) برای انتخاب نماینده از هر خوشه جهت ورود به مدلهای هوش مصنوعی شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی رواناب خروجی حوضه آبریز LRW بکار گرفته شدند. مدلسازی چند ایستگاهه بارش-رواناب بر اساس خاصیت فصلی بودن انجام شده و با مدلسازی چند ایستگاهه بر اساس خاصیت مارکف مقایسه گردید. نتایج نشان داد که مدلهای هوش مصنوعی ترکیب شده با تبدیل موجک، شبکه عصبی مصنوعی خودسازمانده و اطلاعات مشترک توانایی پیش بینی رواناب چند ایستگاهه را نسبت به مدل های هوش مصنوعی که از خاصیت مارکف بهره می برند تا 23 درصد بهبود می بخشد. بطور کلی، استفاده از خاصیت فصلی بودن پدیده ها به همراه کاهش ابعاد ورودی ها، می تواند به مدل های هوش مصنوعی در جهت استفاده از اطلاعات خالص داده های مشاهداتی کمک کند. %U https://www.jnace.ir/article_95443_5497d55ea0ed729d963b5059ab22bf02.pdf