بهبود عملکرد مدل برنامه نویسی بیان ژن با استفاده از تبدیل موجک برای تخمین بارش درازمدت شهر رشت
بارندگی مهم ترین منبع تامین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می شود. بنابراین شبیه سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره 62 ساله از 1956 تا 2017 به صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه یافته، شبیه سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامه نویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تاخیرهای موثر داده های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل های GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدل های GEP تجزیه و تحلیل شدند و مدل برتر GEP و موثرترین تاخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP به ترتیب مساوی با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر این، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) موثرترین تاخیرها بودند. در ادامه، اعضای مختلف موجک های مادر نیز بررسی شدند که موجک مادر demy به عنوان بهینه ترین انتخاب شد. همچنین، تجزیه و تحلیل نتایج مدل های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامه نویسی بیان ژن را به شکل قابل ملاحظه ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخص های آماری R و MARE برای مدل WGEP برتر به ترتیب مساوی با 0/935 و 0/862 به دست آمدند. همچنین مقادیر SI، VAF و ضریب نش ساتکلیف برای این مدل به ترتیب برابر با 0/296، 0/394 و 0/858 تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامه نویسی بیان ژن را به شکل قابل توجهی افزایش می دهد و پیشنهاد می شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.