بهبود عملکرد شبکه عصبی مصنوعی با استفاده از تبدیل موجک در شبیه‌سازی جریان (مطالعه موردی: رودخانه گاماسیاب)

پیش‌بینی جریان رودخانه‌ها و برآورد سیلاب آن‌ها از جمله مسائل مهم در ارتباط با پروژه‌های سیلاب، تولید انرژی برقابی و مسائل مربوط به تخصیص آب برای کشاورزی، صنعت و شرب است. در این پژوهش، تجزیه و تحلیل موجک به صورت ترکیب با شبکه عصبی مصنوعی برای شبیه‌سازی جریان رودخانه گاماسیاب در شهرستان نهاوند در دو مقیاس زمانی روزانه و ماهانه انجام شد. بدین‌منظور، سری زمانی اصلی با استفاده از تئوری موجک به چندین زیرسیگنال زمانی تجزیه شد، سپس این زیرسیگنال‌ها به‌عنوان داده‌های ورودی به شبکه عصبی مصنوعی برای شبیه‌سازی جریان استفاده و با نتایجی که از کاربرد شبکه عصبی مصنوعی به دست آمد، مقایسه گردید. نتایج نشان داد که مدل ترکیبی شبکه عصبی مصنوعی- موجک عملکرد بهتری نسبت به مدل شبکه ‌عصبی ‌مصنوعی دارد. تجزیه سیگنال با موجک همبستگی میان داده‌های مشاهداتی و محاسباتی را نسبت به مدل شبکه عصبی مصنوعی افزایش می‌دهد، به طوری که در دوره روزانه حدود 3 درصد و در دوره ماهانه حدود 24 درصد سبب افزایش ضریب تعیین شده است. همچنین نتایج نشان داد که مدل ترکیبی در برآورد نقاط حدی عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی دارد.