مقايسه توابع يادگيري شبكه عصبي در مدل سازي رواناب

پيشبيني دقيق جريان در رودخانهها يكي از اركان مهم در مديريت منابع آبهاي سطحي به ويژه اتخاذ تدابير مناسب در مواقع سيلاب و بروز خشكسالي ها ست. در حقيقت، حصول روش هاي مناسب و دقيق در پيشبيني جريان رودخانه ها را ميتوان به عنوان يكي از چالش هاي مهم در فرايند مديريت و مهندسي منابع آب دانست؛ اگر چه تحقيقات وسيعي در خصوص كاربرد روشهاي متكي بر شبكه هاي عصبي مصنوعي دقت اين روشها بر روشهاي متداول آماري مانند روشهاي اتورگسيو و ميانگين متحرك ارائه شده است. در اين تحقيقات براي يافتن بهترين ساختار براي شبكه عصبي تنها به تغيير تعداد لايه هاي پنهان و تعداد نورون ها اكتفا ميشود و به دليل پيچيدگي حاكم بر انتخاب و معماري شبكه مناسب، استفاده از آنها در عمل به طور مناسب توسعه نيافته است. در اين تحقيق تعداد 15 تابع يادگيري در شبكه عصبي بررسي شد و نتايج نشان داد در ساختار شبكه با يك لايه پنهان (ANN1) تابع يادگيري learnglv1، learnh و learnis به ترتيب با MSE برابر 000158/0، 000185/0 و 000188/0 و در مدل ساختار شبكه با دو لايه پنهان ANN2 توابع يادگيري learnh، learnsomb و learncon به ترتيب با MSE برابر 000154/0، 000173/0 و 000176/0، عملكرد مناسب تري نسبت به ديگر توابع يادگيري داشته اند. از سوي ديگر در ده مرتبه اجراي دو مدل، دو تابع يادگيري learnsom و learngdm در مدل ANN1 و learnh و learnos در مدل ANN2، بيشترين تكرار را در بين بهترين توابع يادگيري، داشته اند و بنابراين، هنگام استفاده از شبكه پس انتشار خطا (كه تابع يادگيري آن learngdm است) بهتر است تعداد لايه پنهان بيشتر از يكي نباشد؛ زيرا در اين صورت شانس رسيدن به جواب مناسب بيشتر خواهد بود، اما اگر به دنبال زياد كردن عملكرد شبكه با افزايش تعداد لايه پنهان باشيم بهتر است با احتياط از پيش فرض شبكه و به طور مشخص از learngdm استفاده شود.