مدل سازی جریان ورودی به مخزن با استفاده از شبکه های عصبی زمانی با رویکرد عامل فراموش کننده

چکیده مقاله

در این مقاله، روشی بازگشتی با عامل فراموش کننده برای کالیبراسیون پیوسته شبکه های عصبی زمانی پیشنهاد می شود رویکرد عامل فراموش کننده الگوریتم های بازگشتی را قادر می سازد تا تأثیر داده ها و خطاهای قدیمی را در بهنگام سازی و آموزش مدل کاهش دهند روش پیشنهادی برای کالیبراسیون شبکه عصبی به منظور مدل سازی جریان ورودی به مخزن استفاده می گردد ری زمانی ماهانه ورودی به مخزن سد کارون ۳ در جنوب غربی ایران برای ارزیابی عملکرد رویکرد پیشنهادی استفاده می شود همچنین، مدل خودهمبسته میانگین متحرک ARMA نیز در این مطالعه به منظور مقایسه به کار گرفته می شود نتایج تحقیق حاکی از عملکرد بهتر شبکه عصبی زمانی کالیبره شده با این رویکرد از لحاظ دقت پیش بینی در مقایسه با شبکه عصبی آموزش داده شده با روش های معمول می باشد همچنین، شبکه عصبی با رویکرد آموزش پیشنهادی دقت بیشتری را در مدل سازی نسبت به مدل آماری ARMA که با رویکرد عامل فراموش کننده کالیبره شده، نشان می دهد

کلیدواژه‌ها

نویسندگان

سید سامان رضوی

دانشجوی دکتری مهندسی عمران منابع آب دانشگاه صنعتی امیرکبیر، مهندسی

شهاب عراقی نژاد

استادیار دانشگاه علم و صنعت ایران

حکیمه منشی

کارشناس آبیاری، دانشکده منابع طبیعی گرگان

نسیم حسینی

کارشناس عمران، دانشگاه صنعتی اصفهان

�ضوی، سید سامان و عراقی نژاد، شهاب و منشی، حکیمه و حسینی، نسیم،1385،مدل سازی جریان ورودی به مخزن با استفاده از شبکه های عصبی زمانی با رویکرد عامل فراموش کننده،دومین کنفرانس مدیریت منابع آب،اصفهان

ارائه‌شده در

مجموعه مقالات دومین کنفرانس مدیریت منابع آب3 بهمن 1385 · اصفهان