|
پژوهشنامه مدیریت حوزه آبخیز، جلد ۹، شماره ۱۸، صفحات ۰-۰
|
|
|
عنوان فارسی |
استفاده از آنتروپی شانون در پیشپردازش ورودی شبکه بیزین جهت مدلسازی سریهای زمانی |
|
چکیده فارسی مقاله |
انتخاب ورودیهای مناسب برای مدلهای هوشمند از اهمیت بسزایی برخوردار است.زیرا باعث کاهش هزینه و صرفهجویی در وقت وافزایش دقت و کارایی مدلهامیشود. هدف از این مطالعه، کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در مدلسازی سری زمانی میباشد. سری زمانی ماهانه بارش ، دما و تابش در دوره زمانی 1361تا1389 برای ایستگاه سینوپتیک تبریز مورداستفاده قرار گرفت.پارامترهای بارش ،دما و تابش با تأخیرهای مختلف بهعنوان ورودی به آنتروپی شانون در نظر گرفته شد.نتایج آنتروپی شانون نشان داد که سری زمانی با سه تأخیر،نتایج بهتری را برای مدلسازی ارائه میدهد.شبیهسازی با استفاده از دومدل شبکه بیزین و رگرسیون خطی چند متغیره انجام گرفت.کارایی مدلهابااستفاده از سه معیار:ضریب تبیین (R2)،ریشه جذر میانگین خطا (RMSE)وشاخص پراکندگی(SI) محاسبه گردید.از میان این دومدل با ساختار ورودیهای یکسان ، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیهسازی سری زمانی بارش،دما و تابش در مقایسه با رگرسیون چندمتغیره داشته است. نتایج تحقیق نشان داد که آنتروپی شانون در انتخاب ترکیب ورودی مناسب در مدلهای هوشمندمیتواند کارایی بهتری داشته باشد. |
|
کلیدواژههای فارسی مقاله |
آنتروپی، رگرسیون خطی چندمتغیره، سری زمانی، شبکه بیزین |
|
عنوان انگلیسی |
Applying Shannon entropy in Bayesian network input preprocessing |
|
چکیده انگلیسی مقاله |
Selecting appropriate inputs for intelligent models is important due to reduce costs and save time and increase accuracy and efficiency of models. The purpose of this study is using Shannon entropy to select the optimum combination of input variables in time series modeling. Monthly time series of precipitation, temperature and radiation in the period of 1982-2010 was used from Tabriz synoptic station. Precipitation, temperature and radiation parameters with different delays are considered as input to the Shannon entropy. The results showed that time series with three delays provide the better results for the modeling. Applying Bayesian network and multivariate linear regression analysis were performed. Models performance was evaluated using three criteria: coefficient of determination (R2), root mean square error (RMSE), and the dispersion. index (SI). The results indicated that Bayesian neural network model shows the best performance to simulate time series of precipitation, temperature and radiation in compare to multivariate linear regression analysis. The results showed that Shannon entropy has better performance in selection of the appropriate entry into intelligent models. |
|
کلیدواژههای انگلیسی مقاله |
|
|
نویسندگان مقاله |
فاطمه آخونی پورحسینی | دانشگاه تبریز
محمد علی قربانی | دانشگاه تبریز
کاکا شاهدی | دانشگاه علوم کشاورزی ومنابع طبیعی ساری
|
|
نشانی اینترنتی |
http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-842-2&slc_lang=fa&sid=1 |
فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
کد مقاله (doi) |
|
زبان مقاله منتشر شده |
fa |
موضوعات مقاله منتشر شده |
تخصصی |
نوع مقاله منتشر شده |
پژوهشی |
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|