بررسی عدم قطعیت مدل های شبکه عصبی مصنوعی و عصبی فازی در پیش بینی رواناب حوضه رودخانه بشار
در این پژوهش، به منظور انتخاب مدل مناسب به منظور پیشبینی رواناب در حوضه رودخانه بشار، از مدلهای داده محور شبکه عصبی مصنوعی از نوع پرسپترون چندلایه و شبکه عصبی فازی از سیستم استنتاج فازی سوگنو، به روش خوشه بندی کاهشی استفاده شد و تحلیل عدم قطعیت این مدلها مورد بررسی قرار گرفت. داده های مورد استفاده در این پژوهش، شامل مقادیر ماهانه بارندگی و دمای متوسط در ایستگاههای بارانسنجی و آبدهی متوسط ماهانه رودخانه بشار در ایستگاه هیدرومتری واقع در این حوضه از سال 1358 1359 تا 1397 1398 است. نتایج حساسیت سنجی روی تعداد نرون های لایه میانی در شبکه عصبی نشان داد بهترین تعداد نرون لایه میانی برای ترکیب ورودی بهینه برابر 13 است. بر اساس شاخص جذر میانگین مربعات خطا (RMSE)، بهترین ترکیب متغیرهای ورودی برای شبیهسازی دبی رودخانه، در هر دو مدل شبکه عصبی و شبکه عصبی فازی، ترکیب ورودی شامل دبیهای متوسط رودخانه با یک ماه و دو ماه تاخیر به همراه مقادیر بارش ماهانه و بارش ماهانه با یک ماه و دو ماه تاخیر تعیین شد. به منظور بررسی عدم قطعیت مدلها، مدلهای شبکه عصبی مصنوعی و عصبی فازی در قالب یک نمونهگیری مونتکارلو به کار گرفته شدند. نتایج بررسی عدم قطعیت نشان داد به ازای متغیرهای ورودی تصادفی یکسان، میزان انحراف از معیار در خروجی مدل شبکه عصبی بیشتر از مدل شبکه عصبی فازی است. همچنین نتایج حاصل از محاسبه فاصله اطمینان نشان میدهد بازه اطمینان برای مقادیر اطمینان مختلف، در شبکه عصبی فازی کوچکتر است، به طوری که در مدل شبکه عصبی با اطمینان 98 درصد خروجی در بازه (64/0 و 036/0) قرار دارد، اما در مدل عصبی فازی با اطمینان 98 درصد، خروجی بین بازه (69/0 و 53/0) قرار دارد که نشان از عدم قطعیت بیشتر در نتایج مدل شبکه عصبی دارد.
- 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.