دوره 9، شماره 17 - ( بهار و تابستان 1397 )                   جلد 9 شماره 17 صفحات 119-131 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tajbakhsh S M, Memarian H, Mohammadi F. Performance Comparison of the Neural Networks CANFIS, MLP and Optimized MLP using Genetic Programming for Suspended Sediment Load Simulation (Case study: Zoshk-Abardeh Watershed, Shandiz, Iran) . jwmr. 2018; 9 (17) :119-131
URL: http://jwmr.sanru.ac.ir/article-1-818-fa.html
تاجبخش فخرآبادی سید محمد، معماریان خلیل آباد هادی، محمدی گیوشاد فاطمه. مقایسه کارآیی شبکه‌های عصبی CANFIS، MLP و MLP بهینه ‌شده به روش ژنتیک در شبیه‌سازی رسوب معلق رودخانه (مطالعه موردی: حوزه آبخیز زشک- ابرده، شاندیز) . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1397; 9 (17) :119-131

URL: http://jwmr.sanru.ac.ir/article-1-818-fa.html


دانشگاه بیرجند
چکیده:   (81 مشاهده)
در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه‌سازی شد. به‌منظور شبیه‌سازی سناریوی S1 از ورودی دبی آب، سناریوی  S2از دبی آب و باران روزانه و سناریوی  S3از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE  (ضریب نش) برابر با 743/0 و AM (سنجه جمعی) برابر با 806/0 نسبت به S2_CANFIS و S1_CANFIS کارایی بهتری در پیش‌بینی بار رسوبی دارد. نتایج شبکه  MLPحاکی از این است که سناریوی S2_MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. ازآنجایی‌که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف‌تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S2_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با 658/0 و  AM برابر با 655/0 نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی  CANFISبا MLP-GA مشخص می‌شود که CANFIS عملکرد بهتری را در پیش‌بینی رسوب حوزه نسبت به سایر شبکه‌ها داشته است. اما بااین‌وجود درمجموع شبکه عصبی در این حوزه کارایی کاملاً رضایت‌بخشی را در پیش‌بینی دقیق بار رسوبی نشان نداد که این می‌تواند ناشی از کمبود داده‌های آموزشی (به‌ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.
 
 
متن کامل [PDF 1060 kb]   (36 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فرسايش خاک و توليد رسوب
دریافت: ۱۳۹۶/۴/۲ | پذیرش: ۱۳۹۶/۱۰/۲۳ | انتشار: ۱۳۹۷/۷/۴

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb