مقایسۀ توابع یادگیری شبکۀ عصبی در مدل‏سازی رواناب

Abstract

پیش‏بینی دقیق جریان در رودخانه‏ها یکی از ارکان مهم در مدیریت منابع آب‏های سطحی به‌ویژه اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی‏ها‌ست. در‌حقیقت، حصول روش‏های مناسب و دقیق در پیش‏بینی جریان رودخانه‏ها را می‏توان به‌عنوان یکی از چالش‏های مهم در فرایند مدیریت و مهندسی منابع آب دانست؛ اگر‌چه تحقیقات وسیعی در خصوص کاربرد روش‏های متکی بر شبکه‏های عصبی مصنوعی دقت این روش‏ها بر روش‏های متداول آماری مانند روش‏های اتورگسیو و میانگین متحرک ارائه شده است. در این تحقیقات برای یافتن بهترین ساختار برای شبکۀ عصبی تنها به تغییر تعداد لایه‏های پنهان و تعداد نورون‏ها اکتفا می‏شود و به‌دلیل پیچیدگی حاکم بر انتخاب و معماری شبکۀ مناسب، استفاده از آنها در عمل به‌طور مناسب توسعه نیافته است. در این تحقیق تعداد 15 تابع یادگیری در شبکۀ عصبی بررسی شد و نتایج نشان داد در ساختار شبکه با یک لایۀ پنهان (ANN1) تابع یادگیری learnglv1، learnh و learnis به‌ترتیب با MSE برابر 000158/0، 000185/0 و 000188/0 و در مدل ساختار شبکه با دو لایۀ پنهان ANN2 توابع یادگیری learnh، learnsomb و learncon به‌ترتیب با MSE برابر 000154/0، 000173/0 و 000176/0، عملکرد مناسب‏تری نسبت به دیگر توابع یادگیری داشته‏اند. از سوی دیگر در ده مرتبه اجرای دو مدل، دو تابع یادگیری learnsom و learngdm در مدل ANN1 و learnh و learnos در مدل ANN2، بیشترین تکرار را در بین بهترین توابع یادگیری، داشته‏اند و بنابراین، هنگام استفاده از شبکۀ پس‌انتشار خطا (که تابع یادگیری آن learngdm است) بهتر است تعداد لایۀ پنهان بیشتر از یکی نباشد؛ زیرا در این صورت شانس رسیدن به جواب مناسب بیشتر خواهد بود، اما اگر به‌دنبال زیاد‌کردن عملکرد شبکه با افزایش تعداد لایۀ پنهان باشیم بهتر است با احتیاط از پیش‏فرض شبکه و به‌طور مشخص از learngdm استفاده شود.<br /> .