شبیه سازی و پیش بینی جریان رودخانه ها با استفاده از شبکه عصبی و مدل فوریه

مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی MLP در ارتباط با خروجی مدل فوریه، FSAM، می پردازد. مدل FSAM که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای ARIMA را در درون خود دارد، ارایه می دهد. کاربرد همزمان شبکه های عصبی MLP و مدل FSAM، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می سازد. بدلیل اینکه یکی از متغیرهای مستقل توابع شبیه سازی دبی، دما می باشد شبیه سازی دما توسط دوازده شبکه عصبی MLP برای شبیه سازی دوازده ماه سال بطور مجزا انجام گردید، تا بدین ترتیب بتوان از این شبکه ها برای تخمین دما در ماده هایی که پیش بینی در آنها مد نظر است و داده های دما موجود نمی باشند، استفاده کرد. این مقاله نتایج و تحلیل علمی لازم را ارایه خواهد داد.