بخشی از مقاله
چکیده
پیشبینی دقیق رفتار دینامیک جریان رودخانهها به منظور مدیریت صحیح حوضههاي آبریز ضروري میباشد. در این تحقیق مدل برنامهریزي بیان ژن، شبکههاي عصبی مصنوعی و سامانه استنتاج فازي-عصبی تطبیقی از نوع افراز شبکه و دستهبندي تفریقی براي پیشبینی جریان رودخانه آجیچاي بهکار گرفته شدند. مقایسه کلی نتایج نشان داد که مدل برنامهریزي بیان ژن با داشتن مقادیر RMSE و R2 برابر با 2/54 و 0/96 عملکرد بهتري داشت. اما در برآورد دبی پیک - سیلاب - مدل فازي-عصبی از نوع افراز شبکه با میانگین خطاي نسبی 8/78 درصد، از خطاي کمتري نسبت به سایر مدلها برخوردار بود.
-1 مقدمه
دادههاي هیدرولوژیکی اندازهگیري شدة رودخانهها، نقش مهمی در مدلسازي، برنامهریزي و مدیریت حوضههاي آبریز ایفا میکند. از میان دادههاي هیدرولوژیکی، مقادیر دبی روزانه از لحاظ تولید انرژي، کنترل سیلاب، بهرهبرداري از مخازن ذخیره، عملیات آبیاري مزارع و... از اهمیت ویژهاي برخوردار میباشد. با این حال اندازهگیري روزانه دبی رودخانهها به علت شرایط اقلیمی میتواند پر مخاطره و مستلزم صرف هزینه زیاد باشد .[1]
در سالهاي اخیر متخصصان به منظور برآورد و پیشبینی پدیدهاي مختلف هیدرولوژي ازجمله تغییرات تراز سطح آب، تبخیر-تعرق، بارش و رواناب به مدلهاي هوش مصنوعی روي آوردهاند. قابلیت مهم این مدلها درك رفتار غیر خطی یک پدیده میباشد و لذا بیشترین کاربرد آن در مورد فرآیندهایی است که تعریف دقیق و درك خاصی از رفتار آنها وجود ندارد. شبکههاي عصبی مصنوعی، سامانه استنتاج فازي- عصبی تطبیقی و برنامهریزي ژنتیک نمونه بارزي از مدلهاي هوش مصنوعی هستند که در سالهاي اخیر مورد توجه محققین قرار گرفتهاند.
قربانی و همکاران عملکرد سه روش شبکه عصبی، فازي-عصبی و برنامه ریزي ژنتیک را در روندیابی سیلاب رودخانه قزل ایرماق ترکیه مورد ارزیابی قرار دادند. نتایج مطالعه آنها نشان داد از بین سه روش مذکور مدل برنامه ریزي ژنتیک با دقت بیشتري هیدروگراف خروجی را شبیهسازي میکند .[2] وي و همکاران براي پیشبینی روزانه جریان رودخانهاي واقع در کشور چین از مدلهاي هیبرید موجک-عصبی و شبکههاي عصبی مصنوعی استفاده کردند، که نتایج حاکی از برتري مدل هیبرید موجک-عصبی بود .[3]
سگال و توئیواري از مدلهاي هیبرید موجک -رگرسیون خطی و شبکههاي عصبی مصنوعی براي تخمین روزانه دبی رودخانهاي واقع در هندوستان استفاده کردند. نتایج نشان داد در محاسبه دبی پیک، مدل هیبرید عملکرد بهتري دارد.[4] سولگایوا و همکاران براي پیشبینی جریان رودخانه دانوب از مدل هیبرید موجک-رگرسیونی استفاده نمودند. پس از مقایسه با دادههاي مشاهداتی، نتایج حاصله حاکی از عملکرد مناسب مدل مذکور در تخمین دبی رودخانه بود.[5] آلبوستان و اونوز با استفاده ار تئوري آشوب به بررسی رفتار ایستگاههاي هیدرومتري موجود در حوضه آبریز رودخانهاي واقع در کشور ترکیه پرداختند.
نتایج حاکی از آن بود که هر چهار ایستگاه مورد مطالعه داراي رفتار آشوبناك میباشند.[1] هدف اصلی این تحقیق بررسی قابلیت شبکههاي عصبی مصنوعی، روشهاي مختلف فازي-عصبی شامل افراز شبکه1و دستهبندي تفریقی2و مقایسه آنها با مدل برنامهریزي بیان ژن در پیشبینی دبی روزانه رودخانه آجیچاي بر اساس آمار 5 سال متوالی ایستگاههاي ونیار و آخولا میباشد.
-2 مواد و روشها
برنامهریزي بیان ژن
روش برنامه ریزي بیان ژن، در سال 1999 توسط فریرا ارائه شد.[6] این روش ترکیبی از روشهاي برنامهریزي ژنتیک - GP - و الگوریتم ژنتیک بوده - GA - که در آن،کروموزومهاي خطی و ساده با طول ثابت، مشابه با آنچه که در الگوریتم ژنتیک استفاده می شود و ساختار هاي شاخهاي با اندازهها و اشکال متفاوت، مشابه با درختان تجزیه در برنامه-ریزي ژنتیک، ترکیب می شوند.
ازآنجایی که در این روش تمام ساختارهاي شاخهاي با اندازه اشکال متفاوت، در کروموزومهاي خطی با طول ثابت کد گذاري میشوند، معادل این است که در این روش فنوتیپ و ژنوتیپ از هم جدا میشوند و سیستم میتواند از تمام مزایاي تکاملی به سبب وجود آنها بهره مند شود. اکنون با وجود اینکه فنوتیپ در GEP، همان نوع از ساختار هاي شاخه اي مورد استفاده در GP را شامل می شود، اما ساختارهاي شاخهاي که به وسیله GEP استنتاج می شوند - که بیان درختی نیز نامیده میشود - مبین تمامی ژنومهاي مستقل هستند.
بهطور خلاصه میتوان گفت در GEP بهسازيها در یک ساختار خطی اتفاق افتاده و سپس به صورت ساختار درختی بیان می شود و این موجب می شود تنها ژنوم اصلاح شده به نسل بعد منتقل شده و نیازي به ساختارهاي سنگین براي تکثیر و جهش وجود نداشته باشد .[7] در این روش پدیدههاي مختلف با استفاده از مجموعهاي از توابع و مجموعهاي از ترمینالها، مدلسازي میشوند.
مجموعه توابع، معمولاً شامل توابع اصلی حسابی {+, -, ×, /}، توابع مثلثاتی یا هر نوع تابع ریاضی دیگر {√, x2, exp, log, sin, cos, ...} و یا توابع تعریف شده توسط کاربر است که معتقد است، میتوانند براي تفسیر مدل مناسب باشند. مجموعه ترمینالها، از مقادیر ثابت و متغیرهاي مستقل مسأله تشکیل شدهاند .[6] براي بهکارگیري روش برنامهریزي بیان ژن از نرم افزار Genxpro استفاده گردید. همچنین براي استخراج رابطه ریاضی برآورد مقدار دبی در این تحقیق از عملگرهاي + ,- , × ,÷, power, استفاده گردید.
سامانه استنتاج فازي-عصبی تطبیقی
سامانه استنتاج فازي - عصبی تطبیقی - ANFIS - براي اولین بار توسط ژانگ معرفی شد.[8] این سامانه ابزاري جهانی جهت تخمین توابع پیوسته حقیقی در دامنهاي محدود میباشد که به ازاي هر درجهاي از صحت قابل استفاده است. بخش فازي مدل .ANFIS رابطهاي بین متغیرهاي ورودي و خروجی برقرار نموده که اصطلاحاً تابع عضویت3نامیده می- شود. پارامترهاي توابع عضویت با استفاده از الگوریتم آموزش شبکههاي عصبی مصنوعی و بر اساس دو روش زیر تعیین میشوند:
- 1 روش پس انتشار خطا یراي همه پارامترهاي توابع عضویت - 2 روش ترکیبی شامل پس انتشار خطا براي پارامترهاي توابع عضویت ورودي و روش حداقل مربعات براي پارامترهاي توابع عضویت خروجی بهطور کلی در جعبه ابزار منطق فازي دو نوع سامانه استنتاج فازي موسوم به الف - سامانه استنتاجی نوع ممدنی1و ب - سامانه استنتاجی نوع سوگنو2وجود دارد.
افراز شبکه، تکنیک دستهبندي است که در آن هر داده با درجهاي به یک دسته تعلق میگیرد. این درجه با درجه عضویت مشخص میشود. اما دستهبندي تفریقی یک الگوریتم سریع و تکگذر براي برآورد تعداد دستهها در یک مجموعه داده میباشد. با بهکارگیري این تکنیک پس از یکبار اجراي کامل، نتیجه بدست آمده و نیازي به تکرار نمی-باشد.[9] روش افراز شبکه در مطالعات کاربردي بیشتر مورد استفاده قرار گرفته است. توابع عضویت متنوعی براي به-کارگیري این روش در جعبه ابزار نرمافزار MATLAB وجود دارد که ازجمله آنها میتوان به توابع مثلثی، گوسی و زنگولهاي اشاره کرد که در بین آنها توابع مثلثی و گوسی جزء کاربرديترینها میباشند .
شبکههاي عصبی مصنوعی
ساختار کلی شبکههاي عصبی از شبکه بیولوژیکی مغز انسان الهام گرفته است و همانند آن از قدرت یادگیري، تعمیمدهی و تصمیمگیري برخوردار میباشد. این مدل قادر است با پردازش روي دادهها توسط شبکهاي از گرههاي متصل بههم قوانین مرتبط میان دادههاي ورودي و خروجی را کشف نماید. ساختار کلی شبکههاي عصبی مصنوعی شامل سه لایه ورودي، پنهان و خروجی میباشد.
پارامترهاي موثر در مدلسازي شبکههاي عصبی شامل مقدار مناسب آموزش،3 تعداد لایههاي شبکه و تعداد نرونهاي لایه میانی میباشد. در حالت کلی هر چه تعداد تکرار در آموزش شبکه بیشتر شود، خطاي شبیهسازي شبکه کمتر میشود. اما هنگامی که تعداد تکرارها از یک مقدار تجاوز کند، خطاي دسته آزمایشی نیز افزایش پیدا می کند. بهترین تعداد تکرار آموزشی مقداري است که خطاي هر دو دسته آزمایشی و آموزشی تا حد ممکن کمینه گردند.[11]
