چکیده:
زمینه و هدف: هدف در ابتدا بیان نمودن تفاوتها و شناسایی3 مدل به نامهای، برنامه ریزی بیان ژن (GEP)، شبکه عصبی – فازی (ANFIS) و شبکه بیزین (BN) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل شبیهساز برتر در این مطالعه میتواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدلهای مفهومی باشد.
روش بررسی: دادههای مورد استفاده برای این پژوهش، دادههای بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله 1391-1381 میباشد. برای مرحله پیشبینی یا شبیهسازی از دادههای سال آبی 1391-1390 استفاده شده است.
یافتهها: در مرحله آموزش و با توجه به ضریب تبیین و پارامتر جذر میانگین مربعات خطا و معیار AIC، مشاهده می‌شود که در هر 3 مدل، هم در مرحله آموزش و هم در مرحله تست شاهد اختلاف بسیار اندک در مقدار این پارامترها هستیم و نتایج هر 3مدل تقریبا با اختلاف بسیار اندک، نزدیک به هم است و تقریبا برتری نسبی مدل GEP را میتوان مشاهده کرد.
بحث و نتیجه گیری: نتایج بیانگر آن است که فرامدل[1] شبیهساز بیان ژن توانایی خوبی برای شبیهسازی و پیش بینی جریان روزانه رودخانه دارد و این فرامدل شبیهساز، میتواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدلهای مفهومی باشد. علاوه بر این سرعت اجرای مدل برنامهریزی بیان ژن نسبت به بقیه مدل‌ها بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج بوده است.
[1]- Meta Model
چکیده انگلیسی:
Background and Aim: The aim is first to express the differences and identify three models, namely, Gene Expression Programming (GEP), Neural-Fuzzy Network (ANFIS), and Bayesian Network (BN), and compare them with each other. Furthermore, the research's central question is whether the superior simulation meta-modal in this study can be a suitable alternative to conceptual models in the conditions of lack of data and information.
Methods: The data used for this study are the daily rainfall and flow data of the Gamasiab Nahavand River in 10 years from 2002 to 2012. For the prediction or simulation stage, the data of the blue year 2012-2011 have been used.
Results: In the training phase and according to the coefficient of explanation and the square root of the mean squares error and the AIC criterion, it is observed that in all three models, both in the training phase and in the test phase, we see a minimal difference in the amount of these parameters. Moreover, all three models' results are close to each other with almost a minimal difference, and almost the relative superiority of the GEP model can be seen.
Discussion & Conclusion: The results indicate that the simulator meta-model of gene expression has an excellent ability to simulate and predict the river's daily flow, this simulation meta-model can be a suitable alternative to models in the absence of data and information. Be conceptual. Also, the speed of implementation of the gene expression programming model was faster than other models and was able to provide results in a short time.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
