فهرست مطالبعنوان صفحهفصل اول: مفاهیم اولیه.. 81-1 مقدمه.. 81-2 پیش بینی هیدرولوژیکی.. 91-2-1 مدلسازی برای پیشبینی. 101-2-1-1تعیین پیش بینی کننده مناسب.. 101-2-1-2تعیین مدل مناسب.. 111-2-1-3واسنجی 111-2-1-4صحت سنجی مدل.. 111-3 تحلیل سریهای زمانی.. 121-3-1 بررسی فرایندهای غیر قطعی. 131-3-2 مدلهای پیشبینی مفهومی. 131-4 کیفیت آب.. 141-4-1 کل مواد جامد محلول (TDS)141-4-2 هدايت الکتريکي(EC). 151-5 کلیات تحقیق.. 151-5-1 هدف از انجام پروژه. 151-5-2 چهارچوب کلی پایان نامه. 16فصل دوم: مروری بر تحقیقات و مطالعات انجام شده.. 182-1 مقدمه.. 182-2 مروری بر ادبیات موضوع.. 192-2-1 شبکههای عصبی مصنوعی در هیدرولوژی. 192-2-2 تحقیقات انجام شده در زمینهی مدلسازی پارامترهای کیفی رودخانهها 202-2-3 تحقیقات انجام شده در زمینهی سیستم استنتاج عصبی- فازی 252-2-4 تحقیقات انجام شده در زمینهی مدلهای هیبرید. 27فصل سوم: مدل هوشمند شبکههای عصبی مصنوعی.. 313-1 مقدمه.. 313-1-1 تاریخچه شبکههای عصبی. 323-1-2 دلایل استفاده از شبکههای عصبی مصنوعی. 333-1-2-1قابلیت یادگیری:.. 333-1-2-2پراکندگی اطلاعات «پردازش اطلاعات به صورت متن».. 343-1-2-3قابلیت تعمیم.. 343-1-2-4پردازش موازی.. 343-1-2-5مقاوم بودن.. 353-2 توابع انتقال.. 353-2-1 خواص توابع سیگموئیدی. 353-2-2 تابع تانژانت هیپربولیک tansig. 353-3 معماری شبکههای عصبی.. 373-3-1 نورون با یک بردار به عنوان ورودی. 373-3-2 شبکه یک لایه. 383-4 قوانین یادگیری.. 383-4-1 شبکههای پس انتشار. 393-4-2 شبکههای Feedforward. 403-4-3 آموزش شبکه. 403-4-3-1الگوریتم پس انتشار.. 413-4-3-2الگوریتم Levenberg- Marquardt413-4-3-3توقف زودرس.. 423-4-3-4محدودیتهای شبکههای پس انتشار.. 42فصل چهارم:منطق فازی ومدل ترکیبی عصبی-فازی (ANFIS)434-1 مقدمه.. 434-1-1 سیستمهای فازی. 434-1-2 تاریخچه. 444-2 منطق فازی چیست؟.. 454-2-1 توصیف منطق فازی. 454-2-2 دلایل استفاده از منطق فازی. 464-2-3 هدف منطق فازی. 474-3 اصول در منطق فازی.. 484-3-1 مجموعههای فازی. 484-3-2 توابع عضویت در منطق فازی. 494-3-3 عملیات منطقی. 504-3-4 قواعد if – then. 514-4 سیستمهای استنتاج فازی.. 534-4-1 تعریف سیستمهای استنتاج فازی. 534-4-2 استنتاج فازی به روش سوگنو. 544-4-3 مقایسه روشهای ممدانی و سوگنو. 544-5 ANFIS 554-5-1 ANFIS چیست؟. 554-5-2 یادگیری مدل و استنتاج از طریق ANFIS. 554-5-3 ساختار FIS و تنظیم پارامتر. 554-5-4 شبکه های یادگیرنده تطابقی عصبی فازی ANFIS. 564-5-5 معتبرسازی مدل با استفاده از مجموعه دادههای آزمایشیو دادههای وارسی 584-5-6 محدودیتهای ANFIS. 594-5-7 ساختار و نحوهی ایجاد مدل نروفازی. 594-5-7-1افراز شبکهای.. 604-5-7-2کلاسترینگ تفاضلی.. 604-5-7-3C – Means فازی.. 61فصل پنجم: تدوین مدلهای هوشمند شبیهسازی و پیشبینی پارامترهای کیفی 635-1 مقدمه.. 635-1-1 مدلهای مورد استفاده. 655-1-2 مشخصات حوزه رودخانه و ایستگاه مورد مطالعه. 655-1-3 بررسی سازگاری دادهها. 685-2 انتخاب ورودی.. 695-2-1 انتخاب ورودی مدلها برای شبیهسازی پارامترهای کیفی 695-2-2 انتخاب ورودی مدلها برای پیشبینی پارامترهای کیفی. 705-3 طراحی شبکه عصبی.. 725-3-1 تعداد لایههای مخفی مورد نیاز. 725-3-2 تعداد نورونهای مورد نیاز لایۀ مخفی. 735-3-3 نوع توابع انتقال مورد استفاده. 735-3-3-1نرمال سازی دادهها.. 745-3-4 انتخاب توابع آموزش شبکه. 745-3-5 ساختار شبکه عصبی مورد استفاده. 765-3-6 الگوریتم شبکه عصبی طراحی شده برای شبیهسازی و پیشبینی تغیرات شوری 765-4 ارزیابی مدلها.. 785-4-1 ریشه میانگین مربعات خطا. 785-4-2 میانگین درصد خطای مطلق. 785-4-3 ضریب کارایی شبکه. 785-4-4 میانگین خطای مطلق. 795-4-5 مجذور ضریب همبستگی. 795-5 نتایج پیشبینی پارامترهای کیفی رودخانهآبشیرین-ايستگاهگرآب 795-5-1 نروفازی (ANFIS). 795-5-1-1نروفازی در پیشبینیEC با ساختار genfis2. 805-5-1-2نروفازی در پیشبینیEC با ساختار genfis3. 825-5-2 شبکههای عصبی در پیشبینی EC گام زمانی آینده ایستگاه گراب 855-6 نتایج شبیهسازی پارامترهای کیفی رودخانهآبشیرین-ايستگاهگرآب 895-6-1 شیبهسازی TDS با نروفازی genfis1. 895-6-2 شیبهسازی TDS با نروفازی genfis2. 905-6-3 شبکههای عصبی در شبیهسازی TDS ایستگاه گراب. 915-6-4 مقایسه نتایج شبیهسازی مدلهای شبکه عصبی و نروفازی 945-7 مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین) 955-7-1منطقه مورد مطالعه. 955-7-1 نتایج پیشبینی پارامتر کیفیTDS رودخانه رود زرد. 965-7-2-1نروفازی در پیشبینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 965-7-2-2شبکههای عصبی در پیشبینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 975-7-2-3مقایسه نتایج پیشبینی مدلهای شبکه عصبی و نروفازی.. 985-7-2نتایج شبیهسازی پارامتر کیفی TDSرودخانه رود زرد. 985-7-3-1 نروفازی در شبیهسازی TDS رودخانه رود زرد-ایستگاه ماشین 985-7-3-2شبکههای عصبی در شبیهسازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 995-7-3-3مقایسه نتایج شبیهسازی مدلهای شبکه عصبی و نروفازی رودخانه رود زرد 99فصل ششم: نتایج و پیشنهادات.. 1016-1 کلیات.. 1016-2 مزایای پارامترهای کیفی مدلسازی شده.. 1026-3 بهبود نتایج در تحقیقات آتی.. 104منابع و مراجع:.. 106الف: منابع فارسی. 106ب: منابع لاتین. 107پیوست الف : Genfis1. 110پیوست ب : Genfis2. 110پیوست ت : Genfis3. 111 فهرست اشکالعنوان .......................... صفحهشکل 3-1.تطابق و هم سنجی بین ورودی و هدف در شبکههای عصبی 31شکل 3-2.تغییر خطای دسته آموزشی و آزمایشی به ازای تعداد تکرار آموزش 33شکل 3-3.تغییر در قدرت حفظ و تعمیم بر اساس ورودی و خروجی 34شکل 3-4.الف)تابع تانژانت سیگموئید ب) مشتق تابع تانژانت سیگموئید 36شکل 3-5.نمودار تابع انتقال تانژانت سیگموئید به ازای n های مختلف 36شکل 3-6.الف) نورون با یک بردار به عنوان ورودی ب) نمایش ساده لایه نورونها 37شکل 3-7.شبکهای یک لایه با R ورودی و S نورون.. 38شکل 3-8.شبکه دو لایه tansig / purelin. 40شکل 4-1.مکانیسم مربوط به ورودی و خروجی در حل مسئله.. 46شکل 4-2.یک توصیف عمومی از سیستم استنتاج فازی.. 47شکل 4-3.الف: درک انسانها از فصول ب: تعریف نجومی فصول.. 48شکل 4-4.دو تابع عضویت الف: تابع عضویت ذوزنقهای ب: تابع عضویت مثلثی 49شکل 4-5.الف: gbellmf تابع عضویت ناقوس تعمیم یافته ب: gauss2mf تابع عضویت ترکیب دو منحنی گاوسی ج: gaussmf تابع عضویت منحنی ساده گاوسی 50شکل 4-6.جداول درستی استاندارد AND، OR، Not برای استفاده در منطق فازی 50شکل 4-7.جداول درستی استانداردAND, OR, NOT دو مقداری و چند مقداری 51شکل 4-8.الف: سیستم استنتاج فازی از قوانین اگر-آنگاه به صورت TSK ب: شبکه ANFIS با دو متغیر ورودی معادل با سیستم ارائه شده در الف. 58شکل 5-1.سری زمانی مشاهداتی ماهانه EC ایستگاه گراب 16/11/61-15/6/84 66شکل 5-2.سری زمانی مشاهداتی ماهانه TDS ایستگاه گراب 61-81 66شکل 5-3.ضریب همبستگی و رابطه EC و TDS در ایستگاه گراب رودخانه آب شیرین 67شکل 5-4.حوزهآب ریززهره، رودخانه فهلیان، رودخانه آب شیرین، ایستگاه گراب 67شکل 5-5.تحلیل جرم مضاعف برای بررسی سازگاری دادهها.. 69شکل 5-6.خط تاخیر ترتیبی.. 72شکل 5-7.طرحی از ساختار یک شبکه عصبی سه لایه با یک لایه پنهان 73شکل 5-8.نمودار دو تابع انتقال مهم و پرکاربرد تابع واکنش سیگموئیدی 74شکل 5-9.شبکه سه لایه tansig / purelin مورد استفاده در مدلسازی 76شکل 5-10. فلوچارت شبیهسازی و پیشبینی تغییرات شوری با استفاده از ANN 77شکل 5-11. خطای RMSE برای دادههای آموزشی، اعتبارسنجی و آزمایشی 81شکل 5-12.پیشبینی EC در گام زمانی یک ماه آینده توسط genfis2 82شکل 5-13.RMSE پیشبینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف 83شکل 5-14. سری زمانی پیشبینی شده دادههای آزمایشی EC ایستگاه گراب در گام زمانی یک ماه آینده توسط genfis3 ... 84شکل 5-15. خطای اموزشی و اعتبارسنجی ANFIS تولید شده برای تکرارهای مختلف 84شکل 5-16. خطای آموزشی، اعتبارسنجی و آزمایشی پیشبینیEC باتعداد نرونهای مختلف 86شکل 5-17. مقادیر مشاهداتی و پیشبینی شده EC یک ماه آینده توسطANN. 86شکل 5-18. نحوه کاهش خطا و فرایند تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش 87شکل 5-19.خطای rmse شبکههای پس انتشار با الگوریتمهای آموزشی مختلف 88شکل 5-20. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis1 89شکل 5-21. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis2شیبهسازی TDS با نروفازی genfis3. 90شکل 5-22. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis3 91شکل 5-23. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط ANN . 92شکل 5-24. میانگین خطای آموزشی، اعتبارسنجی و آزمایش شبیهسازی باتعداد نرونمختلف 93شکل 5-25. فرایند کاهش خطا در تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش.. 93شکل 5-26. سری زمانی مشاهداتی TDS ماهانه رودخانه رود زرد- ماشین (1369-1386) 96شکل 5-27. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANFIS. 96شکل 5-28. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANN. 97شکل 5-29. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط genfis3 98شکل 5-30. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط ANN . 99 فهرست جداولعنوان ....................................... .... صفحهجدول 5-1. مشخصات آماری پارامترهای کیفی ایستگاه گراب 69جدول 5-2. تأخیرهای زمانی ورودی مدلهای پیشبینی 71جدول 5-3. مشخصات آماری گامهای زمانی مختلف پارامتر EC 71جدول 5-4.خطای RMSE برای دادههای آموزشی، اعتبارسنجی و آزمایشی پیشبینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف.. 83جدول 5-5. پارامترهای مختلف خطای مدلسازی EC در مراحل آموزش، اعتبارسنجی و آزمایش مدلهای پیشبینی با FIS ایجاد شده توسط genfis2 و genfis3 . 85جدول 5-6.پارامترهای مختلف خطای مدلسازی هدایت الکتریکی در مراحل آموزش، اعتبارسنجی و آزمایش مدلهای پیشبینی شبکه عصبی... 87جدول 5-7. خطای پیشبینی هدایت الکتریکی در سعیهای مکرر توسط شبکه عصبی 88جدول 5-8. مقایسه نتایج روشهای مختلف ANFIS در شبیهسازی TDS گراب 91جدول 5-9. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS گراب 94جدول 5-10. مقایسه نتایج روش ANN و ANFIS در پیشبینی TDS رودخانه رود زرد 98جدول 5-11. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS رودخانه رود زرد 99 فصل اول: مفاهیم اولیه 1-1 مقدمهیکی از مهمترین عوامل توسعه هر منطقه در دسترس بودن منابع آب با کیفیت است. شناخت وضعیت آلودگی رودخانهها سبب گردیده است، برنامهریزیهای مدیریتی به منظور کنترل کیفیت آب رودخانهها در آینده از اهمیت بیشتری برخوردار گردد. پیشبینی کیفیت جریان رودخانهها در بازههای زمانی آینده، با وجود تاثیرپذیری از برخی عوامل طبیعی و غیر طبیعی، نقش مهمی در مدیریت کیفیت منابع آب ایفا مینماید.با پیشبینی نمودن کیفیت جریان رودخانهها علاوه بر مدیریت بهرهبرداری منابع آب به منظور تأمین نیاز، و اجازهی برداشتهای کشاورزی و صنعتی بیشتر در بازههای زمانی که رودخانه از آلودگی بیشتری برخوردار است میتوان با استفاده از مسیرهای انحرافی از ورود جریانهای با بار آلودگی بالا که تأثیر نامطلوبی بر کیفیت آب مخازن دارد جلوگیری به عمل آورد. همچنین به دلیل وجود نقص دادههای آماری در دادههای کمی و کیفی ایستگاههای هیدرومتری میتوان از نتایج مدل شبیهسازی پارامترهای کیفی به منظور صحت، کشف نواقص، اصلاح یا تکمیل دادهها استفاده نمود. مدلهای تجربی که بدون توجه به پارامترهای مورد استفاده، سعی در ایجاد رابطهای بین دادههای ورودی و خروجی دارند به مدلهای هوشمند مشهور هستند. در واقع منطق فازی، محاسبات عصبی و الگوریتمهای ژنتیک شالودههای علم محاسبات نرم را تشکیل میدهند. بر خلاف محاسبات سخت[1]، محاسبات نرم[2] با عدم قطعیت موجود در دنیای واقعی سازگار میباشد. میتوان اصول پایه در محاسبات نرم را در قالب یک جمله و به صورت زیر بیان نمود:«بهره برداری از تلورانس نادرستی، عدم قطعیت و حقیقت جزئی[3] در راستای رسیدن به یک راه حل انعطاف پذیر، محکم و کم هزینه»[63]در پیشبینی پارامترهای کیفی میتوان از تاخیرهای زمانی همان پارامتر، به دلیل فراوانی و دسترسی بیشتر نسبت به سایر پارامترها از جمله دبی، دما، رنگ و ... به عنوان ورودیهای مدل استفاده کرد. در واقع یکی از روشهای پیشبینی فرایندهای طبیعی و غیر طبیعی از جمله آلودگی، استفاده از سریهای زمانی تاخیری همان پارامتر به عنوان پیشبینی کننده میباشد. 1- هدف اصلی در این تحقیق استفاده از مدلهای هوشمند شبکه عصبی و فازی-عصبی در تخمین شوری یک گام زمانی آینده با بررسی تاثیر سری های زمانی تاخیری ماهانه، در منطقه مورد مطالعه میباشد.2- در ادامه مسئله شبیهسازی TDS با استفاده از غلظت یونهای مختلف موجود در آب، PH و دبی به عنوان ورودی مدلها مورد بررسی و تحلیل قرار گرفته است. تغییرات TDS با دیگر پارامترهای کیفی در رودخانههای مختلف محاسبه شده که در بین این پارامترها مجموع آنیون و مجموع کاتیون به عنوان ورودیهای مدل شبیهسازی انتخاب شده است و نتایج مربوط به هر کدام از مدلها مورد بحث و بررسی قرار گرفته است.
ارزیابی عملکرد مدلهای هوشمند نروفازی و شبکههای عصبی مصنوعی در پیشبینی و شبیهسازی پارامتر کیفیTDS رودخانهها (مطالعه موردی: رودخانه آب شیرین)
فهرست مطالبعنوان صفحهفصل اول: مفاهیم اولیه.. 81-1 مقدمه.. 81-2 پیش بینی هیدرولوژیکی.. 91-2-1 مدلسازی برای پیشبینی. 101-2-1-1تعیین پیش بینی کننده مناسب.. 101-2-1-2تعیین مدل مناسب.. 111-2-1-3واسنجی 111-2-1-4صحت سنجی مدل.. 111-3 تحلیل سریهای زمانی.. 121-3-1 بررسی فرایندهای غیر قطعی. 131-3-2 مدلهای پیشبینی مفهومی. 131-4 کیفیت آب.. 141-4-1 کل مواد جامد محلول (TDS)141-4-2 هدايت الکتريکي(EC). 151-5 کلیات تحقیق.. 151-5-1 هدف از انجام پروژه. 151-5-2 چهارچوب کلی پایان نامه. 16فصل دوم: مروری بر تحقیقات و مطالعات انجام شده.. 182-1 مقدمه.. 182-2 مروری بر ادبیات موضوع.. 192-2-1 شبکههای عصبی مصنوعی در هیدرولوژی. 192-2-2 تحقیقات انجام شده در زمینهی مدلسازی پارامترهای کیفی رودخانهها 202-2-3 تحقیقات انجام شده در زمینهی سیستم استنتاج عصبی- فازی 252-2-4 تحقیقات انجام شده در زمینهی مدلهای هیبرید. 27فصل سوم: مدل هوشمند شبکههای عصبی مصنوعی.. 313-1 مقدمه.. 313-1-1 تاریخچه شبکههای عصبی. 323-1-2 دلایل استفاده از شبکههای عصبی مصنوعی. 333-1-2-1قابلیت یادگیری:.. 333-1-2-2پراکندگی اطلاعات «پردازش اطلاعات به صورت متن».. 343-1-2-3قابلیت تعمیم.. 343-1-2-4پردازش موازی.. 343-1-2-5مقاوم بودن.. 353-2 توابع انتقال.. 353-2-1 خواص توابع سیگموئیدی. 353-2-2 تابع تانژانت هیپربولیک tansig. 353-3 معماری شبکههای عصبی.. 373-3-1 نورون با یک بردار به عنوان ورودی. 373-3-2 شبکه یک لایه. 383-4 قوانین یادگیری.. 383-4-1 شبکههای پس انتشار. 393-4-2 شبکههای Feedforward. 403-4-3 آموزش شبکه. 403-4-3-1الگوریتم پس انتشار.. 413-4-3-2الگوریتم Levenberg- Marquardt413-4-3-3توقف زودرس.. 423-4-3-4محدودیتهای شبکههای پس انتشار.. 42فصل چهارم:منطق فازی ومدل ترکیبی عصبی-فازی (ANFIS)434-1 مقدمه.. 434-1-1 سیستمهای فازی. 434-1-2 تاریخچه. 444-2 منطق فازی چیست؟.. 454-2-1 توصیف منطق فازی. 454-2-2 دلایل استفاده از منطق فازی. 464-2-3 هدف منطق فازی. 474-3 اصول در منطق فازی.. 484-3-1 مجموعههای فازی. 484-3-2 توابع عضویت در منطق فازی. 494-3-3 عملیات منطقی. 504-3-4 قواعد if – then. 514-4 سیستمهای استنتاج فازی.. 534-4-1 تعریف سیستمهای استنتاج فازی. 534-4-2 استنتاج فازی به روش سوگنو. 544-4-3 مقایسه روشهای ممدانی و سوگنو. 544-5 ANFIS 554-5-1 ANFIS چیست؟. 554-5-2 یادگیری مدل و استنتاج از طریق ANFIS. 554-5-3 ساختار FIS و تنظیم پارامتر. 554-5-4 شبکه های یادگیرنده تطابقی عصبی فازی ANFIS. 564-5-5 معتبرسازی مدل با استفاده از مجموعه دادههای آزمایشیو دادههای وارسی 584-5-6 محدودیتهای ANFIS. 594-5-7 ساختار و نحوهی ایجاد مدل نروفازی. 594-5-7-1افراز شبکهای.. 604-5-7-2کلاسترینگ تفاضلی.. 604-5-7-3C – Means فازی.. 61فصل پنجم: تدوین مدلهای هوشمند شبیهسازی و پیشبینی پارامترهای کیفی 635-1 مقدمه.. 635-1-1 مدلهای مورد استفاده. 655-1-2 مشخصات حوزه رودخانه و ایستگاه مورد مطالعه. 655-1-3 بررسی سازگاری دادهها. 685-2 انتخاب ورودی.. 695-2-1 انتخاب ورودی مدلها برای شبیهسازی پارامترهای کیفی 695-2-2 انتخاب ورودی مدلها برای پیشبینی پارامترهای کیفی. 705-3 طراحی شبکه عصبی.. 725-3-1 تعداد لایههای مخفی مورد نیاز. 725-3-2 تعداد نورونهای مورد نیاز لایۀ مخفی. 735-3-3 نوع توابع انتقال مورد استفاده. 735-3-3-1نرمال سازی دادهها.. 745-3-4 انتخاب توابع آموزش شبکه. 745-3-5 ساختار شبکه عصبی مورد استفاده. 765-3-6 الگوریتم شبکه عصبی طراحی شده برای شبیهسازی و پیشبینی تغیرات شوری 765-4 ارزیابی مدلها.. 785-4-1 ریشه میانگین مربعات خطا. 785-4-2 میانگین درصد خطای مطلق. 785-4-3 ضریب کارایی شبکه. 785-4-4 میانگین خطای مطلق. 795-4-5 مجذور ضریب همبستگی. 795-5 نتایج پیشبینی پارامترهای کیفی رودخانهآبشیرین-ايستگاهگرآب 795-5-1 نروفازی (ANFIS). 795-5-1-1نروفازی در پیشبینیEC با ساختار genfis2. 805-5-1-2نروفازی در پیشبینیEC با ساختار genfis3. 825-5-2 شبکههای عصبی در پیشبینی EC گام زمانی آینده ایستگاه گراب 855-6 نتایج شبیهسازی پارامترهای کیفی رودخانهآبشیرین-ايستگاهگرآب 895-6-1 شیبهسازی TDS با نروفازی genfis1. 895-6-2 شیبهسازی TDS با نروفازی genfis2. 905-6-3 شبکههای عصبی در شبیهسازی TDS ایستگاه گراب. 915-6-4 مقایسه نتایج شبیهسازی مدلهای شبکه عصبی و نروفازی 945-7 مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین) 955-7-1منطقه مورد مطالعه. 955-7-1 نتایج پیشبینی پارامتر کیفیTDS رودخانه رود زرد. 965-7-2-1نروفازی در پیشبینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 965-7-2-2شبکههای عصبی در پیشبینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 975-7-2-3مقایسه نتایج پیشبینی مدلهای شبکه عصبی و نروفازی.. 985-7-2نتایج شبیهسازی پارامتر کیفی TDSرودخانه رود زرد. 985-7-3-1 نروفازی در شبیهسازی TDS رودخانه رود زرد-ایستگاه ماشین 985-7-3-2شبکههای عصبی در شبیهسازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین 995-7-3-3مقایسه نتایج شبیهسازی مدلهای شبکه عصبی و نروفازی رودخانه رود زرد 99فصل ششم: نتایج و پیشنهادات.. 1016-1 کلیات.. 1016-2 مزایای پارامترهای کیفی مدلسازی شده.. 1026-3 بهبود نتایج در تحقیقات آتی.. 104منابع و مراجع:.. 106الف: منابع فارسی. 106ب: منابع لاتین. 107پیوست الف : Genfis1. 110پیوست ب : Genfis2. 110پیوست ت : Genfis3. 111 فهرست اشکالعنوان .......................... صفحهشکل 3-1.تطابق و هم سنجی بین ورودی و هدف در شبکههای عصبی 31شکل 3-2.تغییر خطای دسته آموزشی و آزمایشی به ازای تعداد تکرار آموزش 33شکل 3-3.تغییر در قدرت حفظ و تعمیم بر اساس ورودی و خروجی 34شکل 3-4.الف)تابع تانژانت سیگموئید ب) مشتق تابع تانژانت سیگموئید 36شکل 3-5.نمودار تابع انتقال تانژانت سیگموئید به ازای n های مختلف 36شکل 3-6.الف) نورون با یک بردار به عنوان ورودی ب) نمایش ساده لایه نورونها 37شکل 3-7.شبکهای یک لایه با R ورودی و S نورون.. 38شکل 3-8.شبکه دو لایه tansig / purelin. 40شکل 4-1.مکانیسم مربوط به ورودی و خروجی در حل مسئله.. 46شکل 4-2.یک توصیف عمومی از سیستم استنتاج فازی.. 47شکل 4-3.الف: درک انسانها از فصول ب: تعریف نجومی فصول.. 48شکل 4-4.دو تابع عضویت الف: تابع عضویت ذوزنقهای ب: تابع عضویت مثلثی 49شکل 4-5.الف: gbellmf تابع عضویت ناقوس تعمیم یافته ب: gauss2mf تابع عضویت ترکیب دو منحنی گاوسی ج: gaussmf تابع عضویت منحنی ساده گاوسی 50شکل 4-6.جداول درستی استاندارد AND، OR، Not برای استفاده در منطق فازی 50شکل 4-7.جداول درستی استانداردAND, OR, NOT دو مقداری و چند مقداری 51شکل 4-8.الف: سیستم استنتاج فازی از قوانین اگر-آنگاه به صورت TSK ب: شبکه ANFIS با دو متغیر ورودی معادل با سیستم ارائه شده در الف. 58شکل 5-1.سری زمانی مشاهداتی ماهانه EC ایستگاه گراب 16/11/61-15/6/84 66شکل 5-2.سری زمانی مشاهداتی ماهانه TDS ایستگاه گراب 61-81 66شکل 5-3.ضریب همبستگی و رابطه EC و TDS در ایستگاه گراب رودخانه آب شیرین 67شکل 5-4.حوزهآب ریززهره، رودخانه فهلیان، رودخانه آب شیرین، ایستگاه گراب 67شکل 5-5.تحلیل جرم مضاعف برای بررسی سازگاری دادهها.. 69شکل 5-6.خط تاخیر ترتیبی.. 72شکل 5-7.طرحی از ساختار یک شبکه عصبی سه لایه با یک لایه پنهان 73شکل 5-8.نمودار دو تابع انتقال مهم و پرکاربرد تابع واکنش سیگموئیدی 74شکل 5-9.شبکه سه لایه tansig / purelin مورد استفاده در مدلسازی 76شکل 5-10. فلوچارت شبیهسازی و پیشبینی تغییرات شوری با استفاده از ANN 77شکل 5-11. خطای RMSE برای دادههای آموزشی، اعتبارسنجی و آزمایشی 81شکل 5-12.پیشبینی EC در گام زمانی یک ماه آینده توسط genfis2 82شکل 5-13.RMSE پیشبینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف 83شکل 5-14. سری زمانی پیشبینی شده دادههای آزمایشی EC ایستگاه گراب در گام زمانی یک ماه آینده توسط genfis3 ... 84شکل 5-15. خطای اموزشی و اعتبارسنجی ANFIS تولید شده برای تکرارهای مختلف 84شکل 5-16. خطای آموزشی، اعتبارسنجی و آزمایشی پیشبینیEC باتعداد نرونهای مختلف 86شکل 5-17. مقادیر مشاهداتی و پیشبینی شده EC یک ماه آینده توسطANN. 86شکل 5-18. نحوه کاهش خطا و فرایند تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش 87شکل 5-19.خطای rmse شبکههای پس انتشار با الگوریتمهای آموزشی مختلف 88شکل 5-20. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis1 89شکل 5-21. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis2شیبهسازی TDS با نروفازی genfis3. 90شکل 5-22. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط genfis3 91شکل 5-23. شبیهسازی دادههای آزمایشی TDS ایستگاه گراب توسط ANN . 92شکل 5-24. میانگین خطای آموزشی، اعتبارسنجی و آزمایش شبیهسازی باتعداد نرونمختلف 93شکل 5-25. فرایند کاهش خطا در تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش.. 93شکل 5-26. سری زمانی مشاهداتی TDS ماهانه رودخانه رود زرد- ماشین (1369-1386) 96شکل 5-27. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANFIS. 96شکل 5-28. مقادیر مشاهداتی و پیشبینی شده TDS یک ماه آینده توسطANN. 97شکل 5-29. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط genfis3 98شکل 5-30. شبیهسازی دادههای آزمایشی TDS رودخانه رود زرد توسط ANN . 99 فهرست جداولعنوان ....................................... .... صفحهجدول 5-1. مشخصات آماری پارامترهای کیفی ایستگاه گراب 69جدول 5-2. تأخیرهای زمانی ورودی مدلهای پیشبینی 71جدول 5-3. مشخصات آماری گامهای زمانی مختلف پارامتر EC 71جدول 5-4.خطای RMSE برای دادههای آموزشی، اعتبارسنجی و آزمایشی پیشبینی EC به ازای تعداد کلاستر و تابع عضویت ورودی مختلف.. 83جدول 5-5. پارامترهای مختلف خطای مدلسازی EC در مراحل آموزش، اعتبارسنجی و آزمایش مدلهای پیشبینی با FIS ایجاد شده توسط genfis2 و genfis3 . 85جدول 5-6.پارامترهای مختلف خطای مدلسازی هدایت الکتریکی در مراحل آموزش، اعتبارسنجی و آزمایش مدلهای پیشبینی شبکه عصبی... 87جدول 5-7. خطای پیشبینی هدایت الکتریکی در سعیهای مکرر توسط شبکه عصبی 88جدول 5-8. مقایسه نتایج روشهای مختلف ANFIS در شبیهسازی TDS گراب 91جدول 5-9. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS گراب 94جدول 5-10. مقایسه نتایج روش ANN و ANFIS در پیشبینی TDS رودخانه رود زرد 98جدول 5-11. مقایسه نتایج روش ANN و ANFIS در شبیهسازی TDS رودخانه رود زرد 99 فصل اول: مفاهیم اولیه 1-1 مقدمهیکی از مهمترین عوامل توسعه هر منطقه در دسترس بودن منابع آب با کیفیت است. شناخت وضعیت آلودگی رودخانهها سبب گردیده است، برنامهریزیهای مدیریتی به منظور کنترل کیفیت آب رودخانهها در آینده از اهمیت بیشتری برخوردار گردد. پیشبینی کیفیت جریان رودخانهها در بازههای زمانی آینده، با وجود تاثیرپذیری از برخی عوامل طبیعی و غیر طبیعی، نقش مهمی در مدیریت کیفیت منابع آب ایفا مینماید.با پیشبینی نمودن کیفیت جریان رودخانهها علاوه بر مدیریت بهرهبرداری منابع آب به منظور تأمین نیاز، و اجازهی برداشتهای کشاورزی و صنعتی بیشتر در بازههای زمانی که رودخانه از آلودگی بیشتری برخوردار است میتوان با استفاده از مسیرهای انحرافی از ورود جریانهای با بار آلودگی بالا که تأثیر نامطلوبی بر کیفیت آب مخازن دارد جلوگیری به عمل آورد. همچنین به دلیل وجود نقص دادههای آماری در دادههای کمی و کیفی ایستگاههای هیدرومتری میتوان از نتایج مدل شبیهسازی پارامترهای کیفی به منظور صحت، کشف نواقص، اصلاح یا تکمیل دادهها استفاده نمود. مدلهای تجربی که بدون توجه به پارامترهای مورد استفاده، سعی در ایجاد رابطهای بین دادههای ورودی و خروجی دارند به مدلهای هوشمند مشهور هستند. در واقع منطق فازی، محاسبات عصبی و الگوریتمهای ژنتیک شالودههای علم محاسبات نرم را تشکیل میدهند. بر خلاف محاسبات سخت[1]، محاسبات نرم[2] با عدم قطعیت موجود در دنیای واقعی سازگار میباشد. میتوان اصول پایه در محاسبات نرم را در قالب یک جمله و به صورت زیر بیان نمود:«بهره برداری از تلورانس نادرستی، عدم قطعیت و حقیقت جزئی[3] در راستای رسیدن به یک راه حل انعطاف پذیر، محکم و کم هزینه»[63]در پیشبینی پارامترهای کیفی میتوان از تاخیرهای زمانی همان پارامتر، به دلیل فراوانی و دسترسی بیشتر نسبت به سایر پارامترها از جمله دبی، دما، رنگ و ... به عنوان ورودیهای مدل استفاده کرد. در واقع یکی از روشهای پیشبینی فرایندهای طبیعی و غیر طبیعی از جمله آلودگی، استفاده از سریهای زمانی تاخیری همان پارامتر به عنوان پیشبینی کننده میباشد. 1- هدف اصلی در این تحقیق استفاده از مدلهای هوشمند شبکه عصبی و فازی-عصبی در تخمین شوری یک گام زمانی آینده با بررسی تاثیر سری های زمانی تاخیری ماهانه، در منطقه مورد مطالعه میباشد.2- در ادامه مسئله شبیهسازی TDS با استفاده از غلظت یونهای مختلف موجود در آب، PH و دبی به عنوان ورودی مدلها مورد بررسی و تحلیل قرار گرفته است. تغییرات TDS با دیگر پارامترهای کیفی در رودخانههای مختلف محاسبه شده که در بین این پارامترها مجموع آنیون و مجموع کاتیون به عنوان ورودیهای مدل شبیهسازی انتخاب شده است و نتایج مربوط به هر کدام از مدلها مورد بحث و بررسی قرار گرفته است.