ارزيابي كارايي هوش مصنوعي كامپيوتر در تخمين داده هاي مفقود شده هيدرولوژي

در این پروژه تحقیقاتی سعی شده است كه مقادیر مربوط به نواقص آماری ایستگاهها با استفاده از مقادیرایستگاه های دیگر موجود در گروه مربوط ه و به كمك ساختار مناسبی از شبكه های عصبی مصنوعی برآورد گردد . جهت امكان مقایسه این روش با روشهای موجود نتایج حاصل از شبكه های عصبی مصنوعی با نتایج روش نسبت نرمال و روش همبستگی بین ایستگاهها مورد بررسی و مقایسه قرار گرفته است . بدین منظو ر مقادیر مربوط به ریشه میانگین مربع خطاRMSEو ضریب كاراییR2 برای نتایج ارائه شده توسط هریك از روشها و مقادیر واقعی اندازه گیری شده ) محاسبه گردید . بر اساس نتا یج به دست آمده از این تحقیق میتوان گفت كه تكنیك شبكه های عصبی در حقیقت كارایی مناسب جهت پیش بینی داده های مفقود شده هیدرولوژی را دارد . در بیشتر موارد در این تحقیق درستی نتایج حاصل از شبكه های عصبی مصنوعی بالاتر از نتایج بدست آمده از دو روش دیگر بوده است . شبكه عصبی مصنوعی از نوع پرسپترون چند لایه سازگار ترین ساختار برای این هدف بوده است هرچند كه در موارد معدودی شبكه عصبی برگشتی نیز نتایجی همانند شبكه پرسپترون چند لایه ویا حتی اند كی بهتر از آنرا ارائه نموده است

In this research project, it was tried to predict the missing data of each station using data from other stations of the same group, and a relevant architecture of the artificial neural networks model. To be able to compare the results produced by artificial neural network models, the normal ratio method and the correlation method were also employed to the same job (to predict missing data predicted by ANN technique in the first stage). Then the values of root mean square error (rmse) and coefficient of efficiency (r٢ ) was determined for the predicted values of each method and the corresponding measured values. According to the results taken from this research it can be said that artificial neural network is an efficient method to predict the missing data. In most of the cases in this research accuracy of the results produced by ANN method is considerably higher than those produced by other two approaches. Multi-layer perceptron was the most relevant architecture for this application, although in few cases the out puts of the recurrent network was similar or slightly better than the results presented by MLP (multi-layer perceptron) network.