TY - JOUR JF - ijwmse JO - jwmseir VL - 12 IS - 43 PY - 2018 Y1 - 2018/12/01 TI - Optimization of Artificial Neural Network Structure in Prediction of Sediment Discharge Using Taguchi Method TT - بهینه‌سازی ساختار شبکه عصبی مصنوعی در پیش‌بینی دبی رسوب با استفاده از روش تاگوچی N2 - در دهه ‏های اخیر شبکه ‏های عصبی مصنوعی به عنوان ابزاری موفق در تخمین و پیش ‏بینی پدیده‏ های هیدرولوژیکی به کار گرفته شده ‏اند. اگرچه استفاده از شبکه ­های عصبی مصنوعی امکان برآورد بار معلق رسوب رودخانه ­ها را با دقت و سرعت مناسب فراهم کرده است، اما دقت پیش­ بینی این مدل­ ها، به میزان زیادی تحت­ تاثیر دانش و درک کاربر از شبکه عصبی مصنوعی قرار دارد. در مطالعات منابع طبیعی و به ویژه مطالعات هیدرولوژی و رسوب‏ سنجی، توجه کمی به بهینه ‏سازی ساختار شبکه عصبی مصنوعی شده است و بطور معمول از روش آزمون و خطا برای ایجاد یک ساختار بهینه استفاده می­شود. در تحقیق حاضر برای یافتن بهترین ساختار شبکه عصبی مصنوعی در پیش ‏بینی بار رسوبی رودخانه نکا از روش بهینه ­سازی تاگوچی استفاده شد. چهار فاکتور مهم در ساختار شبکه ­های عصبی مصنوعی شامل تعداد نرون در لایه­ پنهان اول، تعداد نرون در لایه­ پنهان دوم، الگوریتم آموزش و تابع انتقال که از عوامل اثرگذار بر برآورد خروجی شبکه عصبی مصنوعی هستند، در سه سطح مختلف در طراحی آزمایشات تاگوچی در نظر گرفته شد. نتایج نشان داد که ساختار بهینه شبکه عصبی با 3 نرون در لایۀ پنهان اول (سطح سه)، 7 نرون در لایۀ پنهان دوم (سطح دو)، الگوریتم آموزش لونبرگ-مارکوارت[1] (سطح سه) و تابع انتقال پیورلاین[2](سطح دو) می­باشد که می­تواند دبی رسوب نکارود را با دقت بالا برآورد کند. [1]Levenberg-Marquarate [2] Purelin SP - 89 EP - 97 AU - Razavizadeh, Samaneh AU - Dargahian, Fatemeh AD - Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran KW - Sediment load of river KW - Taguchi design of experiment KW - Nekaroud watershed UR - http://jwmsei.ir/article-1-777-fa.html ER -