بهبود نتایج پیش بینی BOD رودخانه ها بر پایه نویززدایی با مقایسه مدل های موجک عصبی، برنامه ریزی ژنتیک، شبکه عصبی و رگرسیون خطی (مطالعه موردی: ایستگاه خروجی سد کرج)

در این مطالعه مدل های شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره، برنامه ریزی ژنتیک و ترکیب شبکه عصبی- موجک برای پیش بینی اکسیژن خواهی بیوشیمیایی ماهانه آب (BOD) در ایستگاه خروجی سد کرج بررسی شد و تاثیر پیش پردازش داده ها روی عملکرد مدل ها بوسیله تجزیه موجک مورد تحقیق قرار گرفت. به این منظور در مدل پیشنهادی اول، سری زمانی BOD مشاهداتی بوسیله توابع تبدیل مختلف در سطوح مختلفی به زیر سری ها تجزیه شدند و به عنوان ورودی در مدل شبکه عصبی قرار گرفتند. در مدل پیشنهادی دوم، سری زمانی BOD در ده سطح تجزیه شد. سپس حاصل جمع جبری زیرسری های موثر به عنوان ورودی مدل شبکه عصبی برای پیش بینی ماه آینده BOD درنظر گرفته شد. نتایج نشان داد که عملکرد پیش بینی مدل های ترکیبی موجک عصبی نسبت به شبکه عصبی، برنامه ریزی ژنتیک و رگرسیون بهتر است. این مدل ترکیبی برای مقادیر بیشینه نیز پیش بینی قابل قبولی را ارائه داده است. همچنین مدل ترکیبی دوم میانگین قدرمطلق خطا را برای مدل های رگرسیون، برنامه ریزی ژنتیک، شبکه عصبی و مدل ترکیبی اول، به ترتیب از 87/1 ، 91/0، 65/0 و 46/0 به 44/0 کاهش داد و ضریب کارایی را از 23/0، 53/0، 73/0 و 81/0 به 83/0 افزایش داد.