fa بهینه‌سازی ساختار شبکه عصبی مصنوعی در پیش‌بینی دبی رسوب با استفاده از روش تاگوچی تخصصي Special پژوهشي Research <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">در دهه &rlm;های اخیر شبکه &rlm;های عصبی مصنوعی به عنوان ابزاری موفق در تخمین و پیش &rlm;بینی پدیده&rlm; های هیدرولوژیکی به کار گرفته شده &rlm;اند. اگرچه استفاده از شبکه &shy;های عصبی مصنوعی امکان برآورد بار معلق رسوب رودخانه &shy;ها را با دقت و سرعت مناسب فراهم کرده است، اما دقت پیش&shy; بینی این مدل&shy; ها، به میزان زیادی تحت&shy; تاثیر دانش و درک کاربر از شبکه عصبی مصنوعی قرار دارد. در مطالعات منابع طبیعی و به ویژه مطالعات هیدرولوژی و رسوب&rlm; سنجی، توجه کمی به بهینه &rlm;سازی ساختار شبکه عصبی مصنوعی شده است و بطور معمول از روش آزمون و خطا برای ایجاد یک ساختار بهینه استفاده می&shy;شود. در تحقیق حاضر برای یافتن بهترین ساختار شبکه عصبی مصنوعی در پیش &rlm;بینی بار رسوبی رودخانه نکا از روش بهینه &shy;سازی تاگوچی استفاده شد. چهار فاکتور مهم در ساختار شبکه &shy;های عصبی مصنوعی شامل تعداد نرون در لایه&shy; پنهان اول، تعداد نرون در لایه&shy; پنهان دوم، الگوریتم آموزش و تابع انتقال که از عوامل اثرگذار بر برآورد خروجی </span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">شبکه عصبی مصنوعی</span></span></strong><strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;"> 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<a href="#_ftn1" name="_ftnref1" title=""><span dir="LTR"><strong><span style="font-family:calibri,sans-serif;"><span style="font-size:12.0pt;">[1]</span></span></strong></span></a></span></span></strong> <strong><span style="font-family:b lotus;"><span style="font-size:12.0pt;">(سطح سه) و تابع انتقال پیورلاین<a href="#_ftn2" name="_ftnref2" title=""><span dir="LTR"><strong><span style="font-family:calibri,sans-serif;"><span style="font-size:12.0pt;">[2]</span></span></strong></span></a></span></span>(سطح دو) می&shy;باشد که می&shy;تواند دبی رسوب نکارود را با دقت بالا برآورد کند.</strong> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"><a href="#_ftnref1" name="_ftn1" title=""><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">[1]</span></span></span></span></a><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Levenberg-Marquarate </span></span></div> <div id="ftn2"><a href="#_ftnref2" name="_ftn2" title=""><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">[2]</span></span></span></span></a> <span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Purelin</span></span></div> </div> In recent decades, artificial intelligence development as a powerful tool has made a tremendous progress in prediction and estimation of hydrological events. Although using artificial neural networks allows estimating rivers&#39; suspended sediment load with appropriate accuracy and speed, predictive accuracy of these models is greatly influenced by the knowledge and understanding of ANN by the user. In natural resources and in especial hydrology and sediment studies, the optimization of ANN structure has not been adequately investigated; and the typical method is test and error. In this study, Taguchi optimization method was used to detect the best ANN structure in prediction of suspended sediment load of Neka River. Four important factors in the structure of artificial neural networks include the number of neurons in the first layer, the number of neurons in the second layer, the training algorithm and the transfer function; which are effective factors on estimation of ANN output and were considered in three different levels in the Taguchi experiments design. The results showed that the structure of 3 neurons in the first layer (level 3), 7 neurons in the second layer (level 2), the Levenberg-Marquarate training algorithm (level 3) and the PURELINE transfer function (level 2) has detected as the optimal ANN structure. The optimal ANN structure is able to estimate the sediment discharge of Nekaroud with high accuracy.<br> &nbsp; بار رسوبی رودخانه, روش طراحی آزمایشات تاگوچی, حوزه آبخیز نکارود Sediment load of river, Taguchi design of experiment, Nekaroud watershed 89 97 http://jwmsei.ir/browse.php?a_code=A-10-398-2&slc_lang=fa&sid=1 Samaneh Razavizadeh سمانه رضوی زاده srazavizadeh@ymail.com 100319475328460010290 100319475328460010290 Yes Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Fatemeh Dargahian فاطمه درگاهیان fatemeh.dargahian@gmail.com 100319475328460010291 100319475328460010291 No Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران