فهرست نشریات علمی دسترسی آزاد ایران

اطلاع از میزان فرسایش خاک و تولید رسوب، ویژگی‌های هواشناسی، ویژگی‌های هیدرولوژیکی رودخانه همانند دبی و همچنین عوامل انسانی، غالباً بسیار پیچیده، غیر‌قطعی و غیرخطی می‌باشند. لذا بکارگیری الگوریتم‌های هوش ماشینی (نظیر الگوریتم‌های یادگیری ماشین) گزینه مناسبی در شبیه‌سازی و پیش‌بینی متغیرهای کیفی آب رودخانه نظیر بار معلق تلقی می‌شود. هدف پژوهش حاضر، ارائه یک روش پیشنهادی برمبنای شبکه عصبی مصنوعی پرسپترون چندلایه و الگوریتم ژنتیک مرتب‌سازی غیرغالب برای پیش‌بینی بار معلق رودخانه‌ای می‌باشد. در روش پیشنهادی به­منظور آموزش شبکه عصبی مصنوعی پرسپترون چندلایه از روش پس‌انتشار خطا و تعیین وزن بهینه برای نرون‌ها از  الگوریتم ژنتیک مرتب‌سازی غیرغالب استفاده شد. در این مطالعه از بار معلق ایستگاه تیل‌آباد واقع در رودخانه گرگان‌رود طی سال‌های 94-1361 به‌عنوان مطالعه موردی استفاده شد. نتایج نشان داد که روش پیشنهادی در مقایسه با شبکه عصبی مصنوعی چندلایه دارای ضریب همبستگی بالاتری است و مقدار R2 به‌ترتیب برابر با 6728/0 و 4372/0 بدست آمد.  مقدار RMSE در روش پیشنهادی و شبکه عصبی مصنوعی چندلایه برمبنای الگوریتم پس‌انتشار به­ترتیب برابر با 7225/4 و 0548/8 بدست آمده است. مقدار NSE نیز در روش پیشنهادی و شبکه عصبی مصنوعی چندلایه برمبنای الگوریتم پس‌انتشار به­ترتیب برابر با 4321/0 و 2941/0 بدست آمده است. لذا در روش پیشنهادی، الگوریتم‌ ژنتیک مرتب‌سازی غیرغالب باعث شده که شبکه عصبی مصنوعی چندلایه بهبود خوبی داشته باشد. نتایج حاصله نشان داد که روش پیشنهادی دارای دقت خوبی در پیش‌بینی بار معلق بوده است. روش پیشنهادی با الگوریتم آموزشی پس‌انتشار دارای عملکرد بهتری در مقایسه با الگوریتم آموزشی گرادیان نزولی و بیزین بوده است.