ارزیابی عملکرد مدل‌های هوشمند نروفازی و شبکه‌های عصبی مصنوعی در پیش‌بینی و شبیه‌سازی پارامتر کیفیTDS رودخانه‌ها

     مقدمه

۰۱-فوریه            پیش بینی هیدرولوژیکی

۰۱/۰۲/۲۰۰۱      مدل‌سازی برای پیش‌بینی

۱-۲-۱-۱            تعیین پیش بینی کننده مناسب

۱-۲-۱-۲            تعیین مدل مناسب

۱-۲-۱-۳            واسنجی

۱-۲-۱-۴            صحت سنجی مدل

۰۱-مارس            تحلیل سری‌های زمانی

۰۱/۰۳/۲۰۰۱      بررسی فرایندهای غیر قطعی

۰۱/۰۳/۲۰۰۲      مدل‌های پیش‌بینی مفهومی

۰۱-آوریل            کیفیت آب

۰۱/۰۴/۲۰۰۱      کل مواد جامد محلول (TDS)

۰۱/۰۴/۲۰۰۲      هدایت الکتریکی(EC)

۰۱-مه    کلیات تحقیق

۰۱/۰۵/۲۰۰۱      هدف از انجام پروژه

۰۱/۰۵/۲۰۰۲      چهارچوب کلی پایان نامه

فصل دوم: مروری بر تحقیقات و مطالعات انجام شده

۰۲-ژانویه           مقدمه

۰۲-فوریه            مروری بر ادبیات موضوع

۰۲/۰۲/۲۰۰۱      شبکه‌های عصبی مصنوعی در هیدرولوژی

۰۲/۰۲/۲۰۰۲      تحقیقات انجام شده در زمینه‌ی مدلسازی پارامترهای کیفی رودخانه‌ها

۰۲/۰۲/۲۰۰۳      تحقیقات انجام شده در زمینه‌ی سیستم استنتاج عصبی- فازی

۰۲/۰۲/۲۰۰۴      تحقیقات انجام شده در زمینه‌ی مدل‌های هیبرید

فصل سوم: مدل هوشمند شبکه‌های عصبی مصنوعی

۰۳-ژانویه           مقدمه

۰۳/۰۱/۲۰۰۱      تاریخچه شبکه‌های عصبی

۰۳/۰۱/۲۰۰۲      دلایل استفاده از شبکه‌های عصبی مصنوعی

۳-۱-۲-۱            قابلیت یادگیری:

۳-۱-۲-۲            پراکندگی اطلاعات «پردازش اطلاعات به صورت متن»

۳-۱-۲-۳            قابلیت تعمیم

۳-۱-۲-۴            پردازش موازی

۳-۱-۲-۵            مقاوم بودن

۰۳-فوریه            توابع انتقال

۰۳/۰۲/۲۰۰۱      خواص توابع سیگموئیدی

۰۳/۰۲/۲۰۰۲      تابع تانژانت هیپربولیک tansig

۰۳-مارس            معماری شبکه‌های عصبی

۰۳/۰۳/۲۰۰۱      نورون با یک بردار به عنوان ورودی

۰۳/۰۳/۲۰۰۲      شبکه یک لایه

۰۳-آوریل            قوانین یادگیری

۰۳/۰۴/۲۰۰۱      شبکه‌های پس انتشار

۰۳/۰۴/۲۰۰۲      شبکه‌های Feedforward

۰۳/۰۴/۲۰۰۳      آموزش شبکه

۳-۴-۳-۱            الگوریتم پس انتشار

۳-۴-۳-۲            الگوریتم Levenberg- Marquardt

۳-۴-۳-۳            توقف زودرس

۳-۴-۳-۴            محدودیت‌های شبکه‌های پس انتشار

فصل چهارم:منطق فازی و مدل ترکیبی عصبی-فازی (ANFIS)

۰۴-ژانویه           مقدمه

۰۴/۰۱/۲۰۰۱      سیستم‌های فازی

۰۴/۰۱/۲۰۰۲      تاریخچه

۰۴-فوریه            منطق فازی چیست؟

۰۴/۰۲/۲۰۰۱      توصیف منطق فازی

۰۴/۰۲/۲۰۰۲      دلایل استفاده از منطق فازی

۰۴/۰۲/۲۰۰۳      هدف منطق فازی

۰۴-مارس            اصول در منطق فازی

۰۴/۰۳/۲۰۰۱      مجموعه‌های فازی

۰۴/۰۳/۲۰۰۲      توابع عضویت در منطق فازی

۰۴/۰۳/۲۰۰۳      عملیات منطقی

۰۴/۰۳/۲۰۰۴      قواعد if – then

۰۴-آوریل            سیستم‌های استنتاج فازی

۰۴/۰۴/۲۰۰۱      تعریف سیستم‌های استنتاج فازی

۰۴/۰۴/۲۰۰۲      استنتاج فازی به روش سوگنو

۰۴/۰۴/۲۰۰۳      مقایسه روش‌های ممدانی و سوگنو

۰۴-مه    ANFIS

۰۴/۰۵/۲۰۰۱      ANFIS چیست؟

۰۴/۰۵/۲۰۰۲      یادگیری مدل و استنتاج از طریق ANFIS

۰۴/۰۵/۲۰۰۳      ساختار FIS و تنظیم پارامتر

۰۴/۰۵/۲۰۰۴      شبکه های یادگیرنده تطابقی عصبی فازی ANFIS

۰۴/۰۵/۲۰۰۵      معتبرسازی مدل با استفاده از مجموعه داده‌های آزمایشی و داده‌های وارسی

۰۴/۰۵/۲۰۰۶      محدودیت‌های ANFIS

۰۴/۰۵/۲۰۰۷      ساختار و نحوه‌ی ایجاد مدل نروفازی

۴-۵-۷-۱            افراز شبکه‌ای

۴-۵-۷-۲            کلاسترینگ تفاضلی

۴-۵-۷-۳            C – Means فازی

فصل پنجم: تدوین مدل‌های هوشمند شبیه‌سازی و پیش‌بینی پارامترهای کیفی

۰۵-ژانویه           مقدمه

۰۵/۰۱/۲۰۰۱      مدل‌های مورد استفاده

۰۵/۰۱/۲۰۰۲      مشخصات حوزه رودخانه و ایستگاه مورد مطالعه

۰۵/۰۱/۲۰۰۳      بررسی سازگاری داده‌ها

۰۵-فوریه            انتخاب ورودی

۰۵/۰۲/۲۰۰۱      انتخاب ورودی مدل‌ها برای شبیه‌سازی پارامترهای کیفی

۰۵/۰۲/۲۰۰۲      انتخاب ورودی مدل‌ها برای پیش‌بینی پارامترهای کیفی

۰۵-مارس            طراحی شبکه عصبی

۰۵/۰۳/۲۰۰۱      تعداد لایه‌های مخفی مورد نیاز

۰۵/۰۳/۲۰۰۲      تعداد نورون‌های مورد نیاز لایۀ مخفی

۰۵/۰۳/۲۰۰۳      نوع توابع انتقال مورد استفاده

۵-۳-۳-۱            نرمال سازی داده‌ها

۰۵/۰۳/۲۰۰۴      انتخاب توابع آموزش شبکه

۰۵/۰۳/۲۰۰۵      ساختار شبکه عصبی مورد استفاده

۰۵/۰۳/۲۰۰۶      الگوریتم شبکه عصبی طراحی شده برای شبیه‌سازی و پیش‌بینی تغیرات شوری

۰۵-آوریل            ارزیابی مدل‌ها

۰۵/۰۴/۲۰۰۱      ریشه میانگین مربعات خطا

۰۵/۰۴/۲۰۰۲      میانگین درصد خطای مطلق

۰۵/۰۴/۲۰۰۳      ضریب کارایی شبکه

۰۵/۰۴/۲۰۰۴      میانگین خطای مطلق

۰۵/۰۴/۲۰۰۵      مجذور ضریب همبستگی

۰۵-مه    نتایج پیش‌بینی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب

۰۵/۰۵/۲۰۰۱      نروفازی  (ANFIS)

۵-۵-۱-۱            نروفازی در پیش‌بینیEC  با ساختار genfis2

۵-۵-۱-۲            نروفازی در پیش‌بینیEC  با ساختار genfis3

۰۵/۰۵/۲۰۰۲      شبکه‌های عصبی در پیش‌بینی EC گام زمانی آینده ایستگاه گراب

۰۵-ژوئن            نتایج شبیه‌سازی پارامترهای کیفی رودخانه آب‌شیرین-ایستگاه گرآب

۰۵/۰۶/۲۰۰۱      شیبه‌سازی TDS با نروفازی genfis1

۰۵/۰۶/۲۰۰۲      شیبه‌سازی TDS با نروفازی genfis2

۰۵/۰۶/۲۰۰۳      شبکه‌های عصبی در شبیه‌سازی TDS ایستگاه گراب

۰۵/۰۶/۲۰۰۴      مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی

۰۵-ژوئیه            مدلسازی مربوط به رودخانه رود زرد (ایستگاه ماشین)

۰۵/۰۷/۲۰۰۱      منطقه مورد مطالعه

۰۵/۰۷/۲۰۰۱      نتایج پیش‌بینی پارامتر کیفیTDS  رودخانه رود زرد

۵-۷-۲-۱            نروفازی در پیش‌بینیTDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین

۵-۷-۲-۲            شبکه‌های عصبی در پیش‌بینی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین

۵-۷-۲-۳            مقایسه نتایج پیش‌بینی مدل‌های شبکه عصبی و نروفازی

۰۵/۰۷/۲۰۰۲      نتایج شبیه‌سازی پارامتر کیفی  TDSرودخانه رود زرد

۵-۷-۳-۱            نروفازی در شبیه‌سازی TDS  رودخانه رود زرد-ایستگاه ماشین

۵-۷-۳-۲            شبکه‌های عصبی در شبیه‌سازی TDS گام زمانی آینده رودخانه رود زرد-ایستگاه ماشین

۵-۷-۳-۳            مقایسه نتایج شبیه‌سازی مدل‌های شبکه عصبی و نروفازی رودخانه رود زرد

فصل ششم: نتایج و پیشنهادات

۰۶-ژانویه           کلیات

۰۶-فوریه            مزایای پارامترهای کیفی مدلسازی شده

۰۶-مارس            بهبود نتایج در تحقیقات آتی