%0 Journal Article %T بهبود عملکرد مدل‌های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق %J آب و خاک %I دانشگاه فردوسی مشهد %Z 2008-4757 %A حاجی آبادی, رضا %A فرزین, سعید %A حسن زاده, یوسف %D 2016 %\ 04/20/2016 %V 30 %N 1 %P 112-124 %! بهبود عملکرد مدل‌های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق %K برنامه‌ریزی بیان ژن %K پدیده های هیدرولوژیکی %K شبکه عصبی مصنوعی %K نویززدایی %R 10.22067/jsw.v30i1.37635 %X یکی از دلایل پیچیدگی تخمین و پیش‌بینی پدیده‌های هیدرولوژیکی و به خصوص سری‌های زمانی وجود ویژگی‌هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها می‌باشد که با استفاده از پیش‌پردازش داده‌ها به وسیله نویززدایی و تبدیلات لگاریتمی، می‌توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی‌ها را برای مدل‌های پیش‌بینی ساده‌تر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار می‌گیرد، سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیش‌پردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار می‌گیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان می‌دهد پس از نویززدایی، معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلی‌گرم بر لیتر و در برنامه‌ریزی بیان ژن از 84/234 به 89/193 میلی‌گرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی می‌باشد. در حالی‌که در برنامه‌ریزی بیان ژن تاثیر نا‌مطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلی‌گرم بر لیتر به ترتیب به 41/298 میلی‌گرم بر لیتر و 72/318 میلی‌گرم بر لیتر افزایش یافته است. %U https://jsw.um.ac.ir/article_38312_b32cc5897af52b036904e902e731a900.pdf