بکارگیری مدل های ترکیبی موجک- شبکه عصبی مصنوعی و ماشین بردار پشتیبان در پیش-بینی بار رسوب معلق آجی چای

نوع مقاله: مقاله علمی-پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی عمران دانشگاه تبریز، تبریز، ایران

2 دانشجوی دکترای سازه های هیدرولیکی دانشکده مهندسی عمران دانشگاه تبریز تبریز، ایران

چکیده

شبیه­سازی و ارزیابی رسوب رودخانه و ایجاد ارتباط بین دبی جریان  و رسوب از جمله مسائل مهم و کاربردی در مدیریت منابع آب و محیط زیست در استفاده از مخازن سدها، سامان­دهی رودخانه‌ها و عاملی برای جلوگیری از هزینه اضافی است. در این تحقیق، از تابع موجک به عنوان یکی از ابزارهای محاسبات نرم جهت استخراج ویژگی­های سری­های زمانی استفاده گردیده و کارایی مدل­های موجک-ماشین بردار پشتیبان  و موجک- شبکه عصبی مصنوعی برای پیش‌بینی رسوب در رودخانه‌ی آجی چای مورد بررسی قرار گرفته است. برای این منظور، در گام اول مقدار رسوب توسط ماشین بردار پشتیبان و شبکه عصبی مصنوعی پیش‌بینی شده است. سپس سری‌های زمانی دبی و رسوب توسط موجک به زیر سری‌هایی تجزیه شدند و این زیر سری‌ها جهت شبیه‌سازی رابطه دبی-رسوب وارد ماشین بردار پشتیبان و شبکه عصبی مصنوعی شدند. نتایج پیش‌بینی رسوب ماهانه نشان می‌دهند که ماشین بردار پشتیبان با ضریب تبیین 65/0DC= خروجی بهتری نسبت به شبکه عصبی مصنوعی 61/0DC= دارد. مدل‌ موجک-ماشین بردار پشتیبان نتایج بهتری در مقایسه با مدل موجک- شبکه عصبی مصنوعی نشان می‌دهد و اضافه کردن موجک باعث افزایش دقت مدل‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی می‌شود، برای نمونه 65/0 DCSVM=  به  82/0 DCWSVM= ارتقاءیافته است.

کلیدواژه‌ها

موضوعات


[1]-Hart, R.J., Anctil, F., Coulibaly, P., Dawson, C.W., Mount, N.J., See, L.M., Shamseldin, A.Y., Solomatine, D.P., Toth, E. and Wilby, R.L. (2012), “Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting,” Progress in Physical Geography, 36, pp 480-513.

[2]-Jain, A.K., Murty, M.N. and Flynn, P.J. (1999), “Data clustering: a review,” ACM Computing Surveys, 31(3), pp 264-323.

 

[3]-Nourani, V., Kalantari, O., Baghanam, A.H. 2012. Two semi-distributed ANN-based models for estimation of suspended sediment load. Journal of Hydrologic Engineering, 17(12): 1368–1380.

[4]-Vapnik, V. and Cortes, C. (1995), “Support Vector Networks. Machine Learning, 20,” pp 1-25.

[5]-Cimen, M. (2008), “Estimation of daily suspended sediments using support vector machines,” Hydrological Sciences Journal, 53, pp 656–666.

[6]-Jie, L.C., Yu, S.T. (2011), “Suspended sediment load estimate using support vector machines in Kaoping River basin,” International Conference on Consumer Electronics, Communications and Networks (IEEE), XianNing, China, 16-18 April.

[7]- Kakaei, E., Moghddamnia, A. and Ahmadi, A. (2013), “Daily suspended sediment load prediction using artificial neural networks and support vector machines,” Journal of Hydrology, 478, pp 50-62.

[8]- Nason, G.P. and Von Sachs, R., (1999), “Wavelets in time series analysis,” Philosophical Transactions of the Royal Society, 357, pp 2511-2526.

[9]-Aussem, A. and Murtagh, F. (1997), “Combining neural network forecasts on wavelet-transformed time series,” Connection Science, 9, pp 113-121.

[10]-Nourani, V., Baghanam, A.H., Adamowski, J. and Kisi, O, (2014), “Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review,” Journal of Hydrology, 514, pp 358-377.

[11]- Nourani, Nourani, V., Baghanam, A.H., Yahyavi Rahimi, A. and Nejad, F.H., (2014), “Evaluation of wavelet-based de-noising approach in hydrological models linked to artificial neural networks,” Computational Intelligence Techniques in Earth and Environmental Sciences. Springer Dordrecht Heidelberg NewYork London, pp 209-241.

[12]-Kisi, O. and Cimen, M. (2011), “A wavelet-support vector machine conjunction model for monthly streamflow forecasting,” Journal of Hydrology, 399, pp 132-140.

[13]- Kalteh, A.M. (2013), “Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform,” Computers and Geosciences, 54, pp 1-8.

[14]- Nourani, V. and Andalib, G. (2015), “Daily and monthly suspended sediment load predictions using wavelet based artificial intelligence approaches,” Journal of Mountain Science, 12:85-100.

[15]-Nourani, V. and Andalib,  G. (2015), “Wavelet based artificial intelligence approaches for prediction of hydrological time Series,” In: Chalup, S.K., Blair A.D., Randall, M., (Eds.), Artificial life and computational intelligence. Springer International Publishing. Switzerland, 8955, 422-435.