ارزیابی عملکرد مدل‌های هوشمند نروفازی و شبکه‌های عصبی مصنوعی در پیش‌بینی و شبیه‌سازی پارامتر کیفیTDS رودخانه‌ها (مطالعه موردی: رودخانه آب شیرین)

فهرست :

فصل اول: مفاهیم اولیه ۸
۱-۱ مقدمه ۸
۱-۲ پیش بینی هیدرولوژیکی ۹
۱-۲-۱ مدل‌سازی برای پیش‌بینی ۱۰
۱-۲-۱-۱ تعیین پیش بینی کننده مناسب ۱۰
۱-۲-۱-۲ تعیین مدل مناسب ۱۱
۱-۲-۱-۳ واسنجی ۱۱
۱-۲-۱-۴ صحت سنجی مدل ۱۱
۱-۳ تحلیل سری‌های زمانی ۱۲
۱-۳-۱ بررسی فرایندهای غیر قطعی ۱۳
۱-۳-۲ مدل‌های پیش‌بینی مفهومی ۱۳
۱-۴ کیفیت آب ۱۴
۱-۴-۱ کل مواد جامد محلول (TDS) ۱۴
۱-۴-۲ هدایت الکتریکی(EC) ۱۵
۱-۵ کلیات تحقیق ۱۵
۱-۵-۱ هدف از انجام پروژه ۱۵
۱-۵-۲ چهارچوب کلی پایان نامه ۱۶
فصل دوم: مروری بر تحقیقات و مطالعات انجام شده ۱۸
۲-۱ مقدمه ۱۸
۲-۲ مروری بر ادبیات موضوع ۱۹
۲-۲-۱ شبکه‌های عصبی مصنوعی در هیدرولوژی ۱۹
۲-۲-۲ تحقیقات انجام شده در زمینه‌ی مدلسازی پارامترهای کیفی رودخانه‌ها ۲۰
۲-۲-۳ تحقیقات انجام شده در زمینه‌ی سیستم استنتاج عصبی- فازی ۲۵
۲-۲-۴ تحقیقات انجام شده در زمینه‌ی مدل‌های هیبرید ۲۷
فصل سوم: مدل هوشمند شبکه‌های عصبی مصنوعی ۳۱
۳-۱ مقدمه ۳۱
۳-۱-۱ تاریخچه شبکه‌های عصبی ۳۲
۳-۱-۲ دلایل استفاده از شبکه‌های عصبی مصنوعی ۳۳
۳-۱-۲-۱ قابلیت یادگیری: ۳۳
۳-۱-۲-۲ پراکندگی اطلاعات «پردازش اطلاعات به صورت متن» ۳۴
۳-۱-۲-۳ قابلیت تعمیم ۳۴
۳-۱-۲-۴ پردازش موازی ۳۴
۳-۱-۲-۵ مقاوم بودن ۳۵
۳-۲ توابع انتقال ۳۵
۳-۲-۱ خواص توابع سیگموئیدی ۳۵
۳-۲-۲ تابع تانژانت هیپربولیک tansig ۳۵
۳-۳ معماری شبکههای عصبی ۳۷
۳-۳-۱ نورون با یک بردار به عنوان ورودی ۳۷
۳-۳-۲ شبکه یک لایه ۳۸
۳-۴ قوانین یادگیری ۳۸
۳-۴-۱ شبکه‌های پس انتشار ۳۹
۳-۴-۲ شبکه‌های Feedforward ۴۰
۳-۴-۳ آموزش شبکه ۴۰
۳-۴-۳-۱ الگوریتم پس انتشار ۴۱
۳-۴-۳-۲ الگوریتم Levenberg- Marquardt ۴۱
۳-۴-۳-۳ توقف زودرس ۴۲
۳-۴-۳-۴ محدودیتهای شبکههای پس انتشار ۴۲
فصل چهارم:منطق فازی و مدل ترکیبی عصبی-فازی (ANFIS) ۴۳
۴-۱ مقدمه ۴۳
۴-۱-۱ سیستم‌های فازی ۴۳
۴-۱-۲ تاریخچه ۴۴
۴-۲ منطق فازی چیست؟ ۴۵
۴-۲-۱ توصیف منطق فازی ۴۵
۴-۲-۲ دلایل استفاده از منطق فازی ۴۶
۴-۲-۳ هدف منطق فازی ۴۷
۴-۳ اصول در منطق فازی ۴۸
۴-۳-۱ مجموعه‌های فازی ۴۸
۴-۳-۲ توابع عضویت در منطق فازی ۴۹
۴-۳-۳ عملیات منطقی ۵۰
۴-۳-۴ قواعد if – then ۵۱
۴-۴ سیستم‌های استنتاج فازی ۵۳
۴-۴-۱ تعریف سیستم‌های استنتاج فازی ۵۳
۴-۴-۲ استنتاج فازی به روش سوگنو ۵۴
۴-۴-۳ مقایسه روش‌های ممدانی و سوگنو ۵۴
۴-۵ ANFIS ۵۵
۴-۵-۱ ANFIS چیست؟ ۵۵
۴-۵-۲ یادگیری مدل و استنتاج از طریق ANFIS ۵۵
۴-۵-۳ ساختار FIS و تنظیم پارامتر ۵۵
۴-۵-۴ شبکه های یادگیرنده تطابقی عصبی فازی ANFIS ۵۶
۴-۵-۵ معتبرسازی مدل با استفاده از مجموعه داده‌های آزمایشی و داده‌های وارسی ۵۸
۴-۵-۶ محدودیت‌های ANFIS ۵۹
۴-۵-۷ ساختار و نحوه‌ی ایجاد مدل نروفازی ۵۹
۴-۵-۷-۱ افراز شبکه‌ای ۶۰
۴-۵-۷-۲ کلاسترینگ تفاضلی ۶۰
۴-۵-۷-۳ C – Means فازی ۶۱
فصل پنجم: تدوین مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی ۶۳
۵-۱ مقدمه ۶۳
۵-۱-۱ مدل‌های مورد استفاده ۶۵
۵-۱-۲ مشخصات حوزه رودخانه و ایستگاه مورد مطالعه ۶۵
۵-۱-۳ بررسی سازگاری داده‌ها ۶۸
۵-۲ انتخاب ورودی ۶۹
۵-۲-۱ انتخاب ورودی مدل‌ها برای شبیه‌سازی پارامترهای کیفی ۶۹
۵-۲-۲ انتخاب ورودی مدل‌ها برای پیش‌بینی پارامترهای کیفی ۷۰
۵-۳ طراحی شبکه عصبی ۷۲
۵-۳-۱ تعداد لایه‌های مخفی مورد نیاز ۷۲
۵-۳-۲ تعداد نورون‌های مورد نیاز لایۀ مخفی ۷۳
۵-۳-۳ نوع توابع انتقال مورد استفاده ۷۳
۵-۳-۳-۱ نرمال سازی داده‌ها ۷۴
۵-۳-۴ انتخاب توابع آموزش شبکه ۷۴
۵-۳-۵ ساختار شبکه عصبی مورد استفاده ۷۶
۵-۳-۶ الگوریتم شبکه عصبی طراحی شده برای شبیه‌سازی و پیش‌بینی تغیرات شوری ۷۶
۵-۴ ارزیابی مدل‌ها ۷۸
۵-۴-۱ ریشه میانگین مربعات خطا ۷۸
۵-۴-۲ میانگین درصد خطای مطلق ۷۸
۵-۴-۳ ضریب کارایی شبکه ۷۸
۵-۴-۴ میانگین خطای مطلق ۷۹
۵-۴-۵ مجذور ضریب همبستگی ۷۹
۵-۵ نتایج پیش‌بینی پارامترهای کیفی رودخانه آبشیرین-ایستگاه گرآب ۷۹
۵-۵-۱ نروفازی (ANFIS) ۷۹
۵-۵-۱-۱ نروفازی در پیش‌بینیEC با ساختار genfis2 ۸۰
۵-۵-۱-۲ نروفازی در پیش‌بینیEC با ساختار genfis3 ۸۲
۵-۵-۲ شبکه‌های عصبی در پیش‌بینی EC گام زمانی آینده ایستگاه گراب ۸۵
۵-۶ نتایج شبیه‌سازی پارامترهای کیفی رودخانه آبشیرین-ایستگاه گرآب ۸۹
۵-۶-۱ شیبه‌سازی TDS با نروفازی genfis1 ۸۹
۵-۶-۲ شیبه‌سازی TDS با نروفازی genfis2 ۹۰
۵-۶-۳ شبکه‌های عصبی در شبیه‌سازی TDS ایستگاه گراب ۹۱
۵-۶-۴ مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی ۹۴
۵-۷ مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین) ۹۵
۵-۷-۱ منطقه مورد مطالعه ۹۵
۵-۷-۱ نتایج پیش‌بینی پارامتر کیفیTDS رودخانه رود زرد ۹۶
۵-۷-۲-۱ نروفازی در پیش‌بینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین ۹۶
۵-۷-۲-۲ شبکه‌های عصبی در پیش‌بینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین ۹۷
۵-۷-۲-۳ مقایسه نتایج پیش‌بینی مدل‌های شبکه عصبی و نروفازی ۹۸
۵-۷-۲ نتایج شبیه‌سازی پارامتر کیفی TDSرودخانه رود زرد ۹۸
۵-۷-۳-۱ نروفازی در شبیه‌سازی TDS رودخانه رود زرد-ایستگاه ماشین ۹۸
۵-۷-۳-۲ شبکه‌های عصبی در شبیه‌سازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین ۹۹
۵-۷-۳-۳ مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی رودخانه رود زرد ۹۹
فصل ششم: نتایج و پیشنهادات ۱۰۱
۶-۱ کلیات ۱۰۱
۶-۲ مزایای پارامترهای کیفی مدلسازی شده ۱۰۲
۶-۳ بهبود نتایج در تحقیقات آتی ۱۰۴
منابع و مراجع: ۱۰۶
الف: منابع فارسی ۱۰۶
ب: منابع لاتین ۱۰۷
پیوست الف : Genfis1 ۱۱۰
پیوست ب : Genfis2 ۱۱۰
پیوست ت : Genfis3 ۱۱۱