بهبود عملكرد شبكه عصبي مصنوعي با استفاده از تبديل موجك در شبيه‌سازي جريان (مطالعه موردي: رودخانه گاماسياب)

پيش‌بيني جريان رودخانه‌ها و برآورد سيلاب آن‌ها از جمله مسائل مهم در ارتباط با پروژه‌هاي سيلاب، توليد انرژي برقابي و مسائل مربوط به تخصيص آب براي كشاورزي، صنعت و شرب است. در اين پژوهش، تجزيه و تحليل موجك به صورت تركيب با شبكه عصبي مصنوعي براي شبيه‌سازي جريان رودخانه گاماسياب در شهرستان نهاوند در دو مقياس زماني روزانه و ماهانه انجام شد. بدين‌منظور، سري زماني اصلي با استفاده از تئوري موجك به چندين زيرسيگنال زماني تجزيه شد، سپس اين زيرسيگنال‌ها به‌عنوان داده‌هاي ورودي به شبكه عصبي مصنوعي براي شبيه‌سازي جريان استفاده و با نتايجي كه از كاربرد شبكه عصبي مصنوعي به دست آمد، مقايسه گرديد. نتايج نشان داد كه مدل تركيبي شبكه عصبي مصنوعي- موجك عملكرد بهتري نسبت به مدل شبكه ‌عصبي ‌مصنوعي دارد. تجزيه سيگنال با موجك همبستگي ميان داده‌هاي مشاهداتي و محاسباتي را نسبت به مدل شبكه عصبي مصنوعي افزايش مي‌دهد، به طوري كه در دوره روزانه حدود 3 درصد و در دوره ماهانه حدود 24 درصد سبب افزايش ضريب تعيين شده است. همچنين نتايج نشان داد كه مدل تركيبي در برآورد نقاط حدي عملكرد بهتري نسبت به مدل شبكه عصبي مصنوعي دارد.