دانلود پایان نامه درمورد ماشین بردار پشتیبان و شبکههای عصبی مصنوعی


Widget not in any sidebars
معادلات انتقال رسوب (روشهای متداول)
شکل ‏24: معادلات متداول انتقال رسوب و رویکردهای مربوط به آنها
مفاهیم احتمالاتی:
Einstein (1950)
Laursen (1958)
مفهوم توان واحد جریان:
Yang and Molinas (1996)
Engelund and Hansen (1967)
Molinas and Wu (2001)
رگرسیون:
Chang et al. (1965)
Shen and Hung (1972)
Ackers and White (1973)
Yang (1996)
Brownlie (1981)
Karim and Kennedy (1981)

روش گرافیکی:
Colby (1964)
مروری بر تحقیقات انجام شده
تحقیقات انجام گرفته در زمینه مباحث پیشبینی سیل
از میان مدلهای بسیاری که در پیشبینی رسوب به کار رفتهاند، بعضی از آنها توانایی پردازش تغییرات دینامیکی داخل رودخانه را ندارند (Garrote & Bras, 1995)، بعضی از مدلها به سختی کالیبره (واسنجی) میشوند و به ابزارهای بهینهسازی قوی نیاز دارند (Duan et al., 1994) و بعضی از مدلها نیازمند درک فرایندهای فیزیکی و هیدرولیکی در داخل رودخانه هستند (Garrote & Bras, 1995). اخیراً معرفی ابزارهای یادگیری ماشین در زمینه مدیریت منابع آب رویکردهای جدید و متنوعی را در مدلسازی باز کرده است که به عنوان مثال، میتوان به ماشینهای بردار پشتیبان، درخت تصمیم، شبکههای عصبی مصنوعی و غیره اشاره نمود. ماشین بردار پشتیبان مورد استفاده، یک مفهوم در علم آمار و کامپیوتر است و یکی از روشهای یادگیری با نظارت است که از آن برای طبقهبندی و رگرسیونگیری استفاده میشود. این روش از روشهای نسبتاً جدیدی است که در سالهای اخیر کارایی نسبتاً خوبی نسبت به روشهای قدیمیتر برای طبقهبندی از جمله شبکههای عصبی پرسپترون نشان داده است. الگوریتم SVM اولیه در سال 1963 توسط ولادیمیر واپنیک ابداع شد و پس از آن توسط کورینا کورتس و واپنیک برای حالت غیر خطی تعمیم داده شد (Vapnik, 1995). این الگوریتم در علوم مختلفی از قبیل تشخیص چهره، مدل کردن ساختارهای شیمیایی، مدل کردن کنترل فرایند، آنالیز کیفیت جوشکاری، پیشبینی هوا و غیره کاربرد فراوانی داشته است که اخیراً نیز در مهندسی آب و رسوب از آن استفاده میشود. در سالهای اخیر تحقیقات بسیاری در زمینه آب با به کار بردن ماشین بردار پشتیبان صورت گرفته است، از قبیل پیشبینی نشت در شبکههای آبرسانی، پیشبینی سریهای زمانی میزان تقاضای آب، پیشبینی کمیت آبرسانی شهری، پیش‌بینی کیفیت آب و غیره. در واقع تحقیقات صورت گرفته در مورد این مدل برای پیشرفتهای آینده ضروری است. در اینجا به صورت خلاصه به تحقیقاتی که در زمینه پیشبینی سیلاب صورت گرفته بحث میکنیم که به شرح زیر است:
سیواپراگاسام و همکاران در مطالعاتشان، یک تکنیک پیشبینی مناسب و ساده را براساس آنالیز طیفی منفرد که با ماشین بردار پشتیبان جفت شده است، معرفی میکنند. با این که آنالیز طیفی منفرد، سریهای زمانی اصلی را به مجموعهای از مؤلفههای فرکانس پایین و بالا تجزیه میکند، ولی ماشین بردار پشتیبان به انجام محاسبات و تعمیم در یک فضای ورودی با ابعاد بالا میپردازد. تکنیک پیشنهادی برای دادههای بارش سنگاپور و دادههای رواناب حوزه آبریز Tryggevælde در دانمارک به صورت مطالعه موردی به کار برده شده است. نتایج با روش پیشبینی غیر خطی مقایسه شدهاند. مقایسهها نشان میدهند که در پیشبینی متغیرهای هیدرولوژیکی، تکنیک پیشنهادی دارای دقت بسیار بالاتری نسبت به پیشبینی مربوط به روش غیر خطی است (Sivapragasam et al., 2001).
یلین و همکاران ماشین بردار پشتیبان را در پیشبینی دبی بلند مدت به کار بردهاند در این مقاله، ماشین بردار پشتیبان به عنوان یک روش امید بخش در پیشبینی هیدرولوژیکی بیان میشود. مدل پیشبینی SVM با استفاده از مشاهدات بلند مدت دبیهای ماهانه جریان رودخانه در طرح برقابی منوان آزمایش شده است. در اینجا از مدل ترکیبی ماشین بردار پشتیبان و الگوریتم تکامل رقابتی جوامع، برای سریهای ماهانه اولیه جریان رودخانه به کار میرود و با مدلهای شبکه عصبی مصنوعی و میانگین متحرک اتورگرسیون مقایسه میشود. الگوریتم تکامل رقابتی جوامع فقط برای تعیین پارامترهای ماشین بردار پشتیبان هنگام انجام برخی از تبدیلهای نمایی به کار رفته است. در نهایت با مقایسه عملکرد مدل ماشین بردار پشتیبان و مدلهای شبکه عصبی مصنوعی و میانگین متحرک اتورگرسیون، ثابت شده که ماشین بردار پشتیبان، در پیش‌بینی دبیهای بلند مدت خیلی خوب عمل میکند (Yilin et al., 2006).
شوکوان و لیجون از حداقل مربعات ماشین بردار پشتیبان در پیشبینی رواناب میان مدت و بلند مدت استفاده کردهاند و آن را با مدل شبکههای عصبی مصنوعی مقایسه کردهاند. روش حداقل مربعات ماشین بردار پشتیبان دارای کلیه مزایای مشخصههای توزیع دادهای بوده و اینکه در موقع ساخت تابع تصمیم نیازی به مهارت و دانش قبلی نیست. آنها در این تحقیق به این نتیجه رسیدهاند که نتایج پیشبینی حاصل از حداقل مربعات ماشین بردار پشتیبان خطای پایینتری را نسبت به مدل شبکه عصبی مصنوعی دارد (Shuquan & Lijun, 2007).
هان و همکاران در تحقیق خود، کاربرد ماشین بردار پشتیبان را بر روی حوزه آبریز بِرد کریک واقع در ایالات متحده آمریکا وصف کرده و بعضی از موارد مهم را در توسعه و بکارگیری SVM در پیشبینی سیلاب بیان میکنند. در این تحقیق معلوم شده که ماشین بردار پشتیبان نیز مانند مدلهای شبکه عصبی مصنوعی از بیش برازش و کم برازش رنج می برد و بیش برازش از کم برازش مصیبت بارتر است. این مقاله نشان میدهد که هر مدلساز هنگام استفاده از SVM برای رسیدن به حالت بهینه، دچار چالش شده و باید ترکیبات و پارامترهای ورودی مختلفی را بررسی کند. دادههای مورد استفاده در این تحقیق نرمالیزه شدهاند و به بازه (1+،1-) منتقل شدهاند. همچنین یک مقایسه با بعضی از مدلهای معیار از قبیل، مدل تابع انتقال، ترِند و نَیو انجام شده است و با صرف وقت و تلاش بالا معلوم شد که در مجموعه دادههای آزمایشی، ماشین بردار پشتیبان از همه آنها بهتر عمل میکند. به علاوه، این تحقیق نشان میدهد که ماشین بردار پشتیبان، در پاسخ به ورودیهای بارش مختلف نتایج جالبی را نشان میدهد به این صورت که بارشهای سبکتر نتایج خیلی متفاوتی را نسبت به بارشهای سنگینتر به وجود خواهد آورد که راه خیلی مفیدی است تا رفتار این مدل را آشکار کند (Han et al., 2007).

Share this post

Post navigation

You might be interested in...