fa استفاده از آنتروپی شانون در پیش‌پردازش ورودی شبکه بیزین جهت مدل‌سازی سری‌های زمانی تخصصي Special پژوهشي Research <p dir="RTL" style="margin: 0cm 0cm 10pt; text-align: justify; line-height: normal;"><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">&nbsp;&nbsp;&nbsp;&nbsp; انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت بسزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از این مطالعه، کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل‌سازی سری زمانی می‌باشد. سری زمانی ماهانه بارش، دما و تابش در دوره زمانی 1361تا1389 برای ایستگاه سینوپتیک تبریز مورداستفاده قرار گرفت. پارامترهای بارش، دما و تابش با تأخیرهای مختلف به‌عنوان ورودی به آنتروپی شانون در نظر گرفته&shy; شد. نتایج آنتروپی شانون نشان داد که سری زمانی با سه تأخیر، نتایج بهتری را برای مدل‌سازی ارائه می‌دهد. شبیه‌سازی با استفاده از دو مدل شبکه&shy;ی بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل‌ها با استفاده از سه معیار: ضریب تبیین (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">R²</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">)، ریشه جذر میانگین خطا (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">RMSE</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) و شاخص پراکندگی (</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:8.0pt;">SI</span></span></span></strong><strong><span style="font-family:2 mitra;"><span style="font-size:10.0pt;">) محاسبه گردید. از میان این دو مدل با ساختار ورودی‌های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه‌سازی سری زمانی بارش، دما و تابش در مقایسه با رگرسیون چندمتغیره داشته است. نتایج تحقیق نشان داد که آنتروپی شانون در انتخاب ترکیب ورودی مناسب برای مدل‌های هوشمند می&shy; تواند کارایی بهتری داشته باشد.</span></span></strong><br> &nbsp;<br> <br> &nbsp;</p> <p style="margin: 0cm 0cm 10pt; text-align: justify; unicode-bidi: embed; direction: ltr;">Selecting appropriate inputs for intelligent models is important due to reduce costs and save time and increase accuracy and efficiency of models. The purpose of this study is using Shannon entropy to select the optimum combination of input variables in time series modeling. Monthly time series of precipitation, temperature and radiation in the period of 1982-2010 was used from Tabriz synoptic station. Precipitation, temperature and radiation parameters with different delays are considered as input to the Shannon entropy. The results showed that time series with three delays provide the better results for the modeling. Applying Bayesian network and multivariate linear regression analysis were performed. Models performance was evaluated using three criteria: coefficient of determination (R²), root mean square error (RMSE), and the dispersion<span dir="RTL">.</span> Index (SI). The results indicated that Bayesian neural network model shows the best performance to simulate time series of precipitation, temperature and radiation in compare to multivariate linear regression analysis. The results showed that Shannon entropy has better performance in selection of the appropriate entry into intelligent models.<br> &nbsp;</p> آنتروپی, رگرسیون خطی چندمتغیره, سری زمانی, شبکه بیزین Entropy, Multivariate linear regression, Time series, Bayesian network 178 189 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-842-2&slc_lang=fa&sid=1 Fateme Akhoni Pourhosseini فاطمه آخونی پورحسینی fateme.pourhosseini@yahoo.com 10031947532846007019 10031947532846007019 Yes Water Resources Engineering, University of Tabriz دانشگاه تبریز Mohammad Ali Gorbani محمد علی قربانی m_ali_ghorbani@ymail.com 10031947532846007020 10031947532846007020 No Water Resources Engineering, University of Tabriz دانشگاه تبریز Kaka Shahedi کاکا شاهدی k.shahedi@sanru.ac.ir 10031947532846007021 10031947532846007021 No Faculty of Natural Resources, Sari Agricultural Sciences and Natural Resources, University دانشگاه علوم کشاورزی ومنابع طبیعی ساری