RT - Journal Article T1 - Improvement of Support Vector Machine and Random Forest Algorithm in Predicting Khorramabad River Flow Uusing Non-uniform De-Noising of data and Simplex Algorithm JF - ijwmse YR - 2019 JO - ijwmse VO - 13 IS - 47 UR - http://jwmsei.ir/article-1-846-fa.html SP - 40 EP - 51 K1 - Soft thresholding K1 - Daubechies wavlet K1 - River flow K1 - Khorramabad K1 - Simulate K1 - Detail signal. AB - در این مطالعه به‌منظور شبیه‌سازی جریان ماهانه رودخانه خرم‌آباد ابتدا سری زمانی این رودخانه طی بازه زمانی 1334-1393 با استفاده از موجک مادر دابچیز سه به سه سطح تجزیه شده است. براین اساس مشخص شد که نویز غیریکنواختی شامل دو دوره زمانی با مرز مهرماه 1387 در این سیگنال وجود دارد. با اتخاذ رویکرد آستانه‌گذاری فراگیر، سطح آستانه برای بازه‌های زمانی 1334- 1387 و 1387 -1393 به ترتیب برابر 5/95 و 2/21 مترمکعب برثانیه محاسبه شد. سپس، با طرح آستانه‌گذاری نرم، سیگنال‌های فرکانس بالا جریان رودخانه به طور غیریکنواخت نویززدایی شده است. در ادامه، با استفاده از مدل‌های ماشین بردار پشتیبان (نسخه‌های ɛ و Nu) و الگوریتم جنگل تصادفی (RF)، سیگنال اصلی و سیگنال نویززدایی‌شده جریان رودخانه، شبیه‌سازی و مقایسه شدند. نتایج صحت‌سنجی‌ مدل‌ها نشان داد با نویززدایی غیریکنواخت سیگنال جریان رودخانه، خطای مدل ɛ از 5/7 به 3/1، مدل Nu از 5/8 به 3/2 و RF از 5 به 2/9 مترمکعب برثانیه کاهش پیدا کرده است. نتایج حاصل از مقایسه دقت محاسباتی مدل‌های مذکور با استفاده از آزمون مرگان ـ گرنجر ـ نیوبلد (MGN) به ترتیب به مقدار 15/7-، 15- و 10/67- برآورد شده است. این مقادیر، نشان از بهبود معنادار عملکرد مدل‌های مورد استفاده در نتیجه نویززدایی غیریکنواخت سیگنال جریان دارد. در نهایت، با کاربرد الگوریتم بهینه‌ساز سیمپلکس در مدل‌های ɛD، NuD و RFD، میانگین جریان رودخانه با دقت بالایی در هر سه مدل محاسبه شد. LA eng UL http://jwmsei.ir/article-1-846-fa.html M3 ER -