بهبود عملکرد مدل های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق

یکی از دلایل پیچیدگی تخمین و پیش بینی پدیده های هیدرولوژیکی و به خصوص سری های زمانی وجود ویژگی هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آنها می باشد که با استفاده از پیش پردازش داده ها به وسیله نویززدایی و تبدیلات لگاریتمی، می توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی ها را برای مدل های پیش بینی ساده تر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامه ریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار می گیرد،سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیش پردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار می گیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان می دهد پس از نویززدایی،معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامه ریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلی گرم بر لیتر و در برنامه ریزی بیان ژن از 84/234 به 89/193 میلی گرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی می باشد. در حالی که در برنامه ریزی بیان ژن تاثیر نا مطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلی گرم بر لیتر به ترتیب به 41/298 میلی گرم بر لیتر و 72/318 میلی گرم بر لیتر افزایش یافته است.