بخشی از مقاله
چکیده :
جهت مدیریت منابع آب لازم است تا مقادیر جریان رودخانه در گامهای زمانی مختلف را تخمین بزنیم. بدین منظور طی سالیان متمادی جهت تخمین دبی رودخانه روشهای مختلفی ابداع شده که به طور کلی میتوان به دو دسته مدلهای مفهومی و مدلهای مبنی بر داده یا آمار طبقهبندی کرد. از مدلهای متداول آماری جهت پیشبینی وتخمین جریان رودخانه میتوان به ماشین بردار پشتیبان اشاره کرد.
در این تحقیق با استفاده از دادههای دو ایستگاه به نام های تنگل آب گرم و سارنگ و دادههای هواشناسی به تخمین دبی رودخانه شیرین رود راور در ایستگاه حور پرداختیم. بازه زمانی مورد استفاده از سال 1385 تا سال 1390 به صورت روزانه میباشد. در مدل SVM ده ترکیب ورودی را مورد بررسی قرار دادیم و بهترین ترکیب به همراه تابع کرنل آن را استخراج نمودیم. در انتها با اجرای شبکه عصبی مصنوعی RBF و مقایسه نتایج آن با مدل SVM پرداختیم. نتایج حاصل حاکی از برتری مدل SVM نسبت به ANN- RBF میباشد.
مقدمه
آب مورد نیاز با کیفیت مطلوب برای حیات بشر ضروری است. انسانهای ابتدایی به اهمیت آب پی بردند و تمدنها پیرامون منابع آبی به وجود آمدند که علاوه بر تأمین نیازهای شرب قادر به رفع نیازهای کشاورزی و حمل و نقل بودند. پیش بینی دبی جریان به عنوان یکی از مطرح ترین چالش های مدیریت منابع آب در دهه های اخیر بوده به طوری که محقق ان روشهای متفاوتی را برای این امر در مقالات مختلف ارائه نموده و به کار گرفته اند .
این روشهاعمدتاً شامل تکنیک های رگرسیونی ، مدل های مفهومی و روشهای پیچیده تر بر پایه شبکه های عصبی مصنوعی، نروفازی واخیراً مدل های ماشین بردار پشتیبان است. در این مطالعه نقش پیش پردازش متغیرهای ورودی به مدل SVM به منظور پیش بینی ماهانه دبی جریان مورد بررسی قرار گرفت. یکی از مدلهای هوشمند که دارای عملکرد قابل قبولی در پیشبینی پارامترهای پیچیده و غیرخطی است، مدل ماشین بردار پشتیبان - SVM - است که ایده اصلی آن در دهه 1960 توسط - 1995 - Vanpic ریاضیدان روسی، مطرح گردید. نوری و همکاران - - 2011 به ارزیابی متغییرهای ورودی تعیین کننده روی مدل SVM با استفاده از PCA ، تست گاما و انتخاب تکنیک های پیش رو برای پیش بینی جریان پرداختند . جلال کمالی و همکاران - - 2011 سطح آب زیر زمینی دشت کرمان را با مدل neuro-fuzzy پیش بینی کردند .
کیون وار و همکاران - 2011 - ماشین بردار پشتیبان را در مدیریت کیفیت آب به کار بردند . مدل های بردار پشتیبان طبقه بندی کننده - SVC - و رگرسیون - SVR - در داده های کیفیت آب سطحی برای بهینه باز بینی برنامه ساخته و به کار برده شده اند . در این تحقیق سعی بر این است که با توجه به پارامتر های تاثیرگذار بر دبی جریان شامل بارندگی، دما، رطوبت و سری زمانی نوسانات دبی اندازه گیری شده وبا به کار گیری مدل SVM پیش بینی دبی جریان و موثر ترین پارامترهای ورودی مدل شناسایی گردد. همچنین سعی شده تا با استفاده از معیار های آماری مقایسه ای بین نتایج حاصل از مدل SVM و A-NN RBF انجام گیرد.
مواد و روشها: ماشین بردار پشتیبان
با توجه به لزوم اختصار در مقاله مذکور و همچنین وجود کتابها و مقالات متعدد در ارتباط با تئوری SVM، در ادامه تنها توضیح مختصری در ارتباط با تکنیک ماشین بردار پشتیبان رگرسیونی که در این مقاله از آن استفاده شده است، ارائه خواهد شد. در یک مدل رگرسیونی SVM، تابعی مرتبط با متغیر وابسته Y که خود تابعی از چند متغیر مستقل x است براورد میگردد. قابل ذکر است که در کتب مرجع مرتبط با SVM اغتشاش به عنوان خطای مجاز - - تعریف شده است.
چنانچه w - بردار ضرایب - و E - ثابت - پارامترهای تابع رگرسیونی و نیز تابع کرنل باشد، آنگاه هدف پیدا کردن یک فرم تابعی برای - I - [ است. این مهم با آموزش مدل SVM توسط مجموعهای از نمونهها - مجموعه آموزش - محقق میشود. این پروسه شامل بهینهسازی متوالی یک تابع خطا است. بسته به تعریف این تابع خطا دو نوع مدل SVM تعریف میشود: SVM رگرسیونی نوع 1 - که به عنوان -SVM رگرسیونی نیز شناخته میشود - ؛ SVM رگرسیونی نوع 2 - که به عنوان -690 رگرسیونی شناخته میشود - . جهت محاسبه w و b لازمست تابع خطا - معادله - 3 در مدل -SVM با درنظرگرفتن شرایط مندرج در معادله 4 بهینه گردد.
