چکیده:
تخمین صحیح حجم رسوبات حمل شده بوسیله رودخانه در طیف وسیعی از مسائل مهندسی آب حائز اهمیت
بالایی است. سیستم های هوش مصنوعی که مبتنی بر داده کاوی بوده و دارای توانمندی بالای محاسباتی می باشند
برای شبیه سازی فرایند انتقال رسوب در رودخانه ها مورد توجه قرار گرفته است. فرایند اصلی این تحقیق عبارت
است از پیش بینی بار کل رسوبی رودخانه آجی چای به کمک سیستم های مبتنی بر هوش مصنوعی که برای نیل به
این هدف مدل های متعددی متشکل از انواع پارامترهای هیدرولیکی رودخانه به صورت همدیمانسیون و غیرهم-
دیمانسیون و لگاریتمی، با ترکیبات متعدد نرمال شده در شبکه های عصبی شعاع مبنا، پیش خور، رگرسیون عمومی
و عصبی فازی تطبیقی مورد ارزیابی قرار گرفتند. نتایج حاصله حاکی از این است که شبکه های عصبی شعاع مبنا و
رگرسیون عمومی قابلیت و کارایی بهتری نسبت به مدل های دیگر از خود نشان دادند.
خلاصه ماشینی:
"نتایج نشان داد که 3 - Artificial neural network 4 - Adaptive neuro-fuzzy inference system 5 - Nourani V, Aalami M پیش پردازش آماری داده ها، توآن است به طور قابل توجهی ، کار و زمان محاسباتی لازم برای ایجاد یک مدل شبکه عصبی مصنوعی را کاهش دهد(کیشی ٦، ١٠٣:٢٠٠٨-٩٤).
6 -Kisi 7 - Cigizoglu H, AlpMurat 8 - Lohani 9 - Nagy H.
60 •ضریب همبستگی / شکل (٧)- نتایج عملکرد شبکه GRNN درمدل های غیرهم دیمانسیون شکل (٨الف ) و(٨ب ) به ترتیب مقادیر پیش بینی شده دبی رسوب در آموزش و تست توسط شبکه FFNN برای مدل برتر با پارامترهای هم دیمانسیون را نشان می دهد.
شکل (٩الف ) و(٩ب ) به ترتیب مقادیر پیش بینی شده دبی رسوب در آموزش و تست توسط شبکه FFNN برای مدل برتر با پارامترهای غیر هم دیمانسیون را نشان می دهد.
شـکل (١٢الف )و (١٢ب ) به ترتیب مقادیر پیش بینی شده دبی رسوب در آموزش و تست توسط شبکه های RBNN بـرای مدل برتر پارامترهای غیرهم دیمانسیون را نشان می دهد.
22 ANFIS جدول ٨- مقایسه نتایج مدل های ANN و ANFIS برای داده های غیرهم دیمانسیون لگاریتمی تست آموزش ضریب همبستگی میانگین مربعات خطاها میانگین قدرمطلق نسبت خطاها ضریب همبستگی میانگین مربعات خطاها میانگین قدرمطلق نسبت خطاها معیارارزیابی روش FFNN GRNN RBF ANFIS 0."