محبوبترین نویسندگان :
نویسندگان مقالات پربازدید :
اولین کنفرانس سالانه مدیریت منابع آب ایران
جزئیات رویداد
اینستاگرام تی پی بین
همایش ، رویداد ، ژورنال
حوزه های تحت پوشش رویداد

  • پیش بینی بلندمدت بارش با استفاده از شبکه های عصبی زمانمند

    نویسندگان :
    کلمات کلیدی :
    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1388/05/25
    • تاریخ انتشار در تی پی بین: 1388/05/25
    • تعداد بازدید: 756
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
    در این مقاله، روشی برای پیش بینی سری های زمانی هیدرولوژیکی، بخصوص سری زمانی بارش ماهانه با استفاده از شبکه های عصبی زمانمند، ارائه می شود. در این راستا، تمرکز بر شبکه های عصبی دینامیکی، برای درک روابط گذرا و زماندار سری های هیدرولوژیکی می باشد. رویکردهایی نظیر ایجاد اتصالات بازگشتی و استفاده از عملگرهای تاخیر زمانی و همچنین ترکیب آنها به منظور زمانمند کردن شبکه ها مد نظر قرار گرفته و به تبع آن شبکه های تحت عناوین شبکه آدالاین تطبیقی، شبکه عصبی با ورودی تاخیریافته (idnn)، شبکه های عصبی تاخیر زمانی (tdnn)، شبکه عصبی بازگشتی (rnn) و شبکه های عصبی بازگشتی تاخیر زمانی(tdrnn)  در پیش بینی بارش با تقدم زمانی یک تا شش ماه مورد بررسی قرار گرفته اند. همچنین از شبکه استاتیک پرسپترون چند لایه (mlp) و مدل آماری آریما نیز برای پیشبینی بارش استفاده شده است. آمار و اطلاعات حوزه آبریز کارون به عنوان محدوده مورد مطالعه این تحقیق در نظر گرفته شده است. نتایج نشان می دهد که استفاده از رویکرد شبکه های عصبی زمانمند بهبود قابل توجهی در پردازش سری های زمانی نسبت به مدل های آماری آریما و شبکه استاتیک mlp دارد. مدل tdrnn بهترین پیش بینی یک ماه جلوتر و  مدل tdnn بهترین پیش بینی شش ماه جلوتر را در مقایسه با سایر مدل ها و اطلاعات مشاهده شده انجام دادند. همچنین نتایج حاکی از موثرتر بودن عملگرهای تاخیر زمانی نسبت به اتصالات بازگشتی می باشد.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها
مقالات جدیدترین ژورنال ها