بررسی قابلیت مدل ترکیبیpsoanfisدر پیش‌بینی عمق آبشستگی

درسال‌های اخیر، فن‌های داده‌کاوی و یادگیری ماشین در زمینه‌های مختلف برای ساخت سامانه‌های اطلاعاتی هوشمند توسعه‌یافته‌اند. بااین‌حال، تعداد کمی از روش‌های ارائه‌شده توانایی پشتیبانی برخط را داشته و یا دارای انعطاف‌پذیری در آنالیز حجم زیادی از داده‌ها می‌باشند. در تحقیق حاضر، به‌منظور به دست آوردن تخمین‌های مناسب از پیش‌بینی عمق آبشستگی، در مدل تلفیقی شبکه عصبی و سیستم استنتاج فازی، از فن ازدحام ذرات (pso) استفاده شد. آنالیزها با استفاده از 188 دادۀ صحرایی عمق آبشستگی پایه منفرد که به‌وسیله سازمان حفاظت خاک آمریکا (usgs) ثبت گردیده، انجام شد. به‌منظور تسریع در یادگیری از طریق آموزش، برای افزایش دقت پیش‌بینی‌های کوتاه‌مدت از روش مومنتوم استفاده شد. نتایج نشان دادندکه روش psoanfis با کم‌ترین ریشه میانگین مربعات خطا (rmse) نسبت به دیگر مدل‌های ارائه‌شده، دقت بیش‌تری دارد. ازاین‌رو، این روش با اطمینان بیشتری می‌تواند مورداستفاده طراحان و مهندسین قرار گیرد.

A Hybrid ANFIS PSO Model for Scour Depth Prediction

In recent years, newlydeveloped data mining and machine learning techniques have been applied in various fields to build intelligent information systems. However, few of these approaches offer online support or are flexibleto be adapted to large and complex datasets. Therefore, the present research work adopts Particle Swarm Optimization (PSO) techniques to obtain appropriate parameter settings for membership function and integrates the AdaptiveNetworkbased Fuzzy Inference System (ANFIS) model to make the model fit for predicting scour depth. A dataset of 188 scour depths for single piers presented by the USGS was used. Results of the model prediction show that the derived model is best fitted to the field data. The proposed oneorder momentum method is able to learn quickly through onepass training and provides highaccuracy shortterm predictions. Moreover, this method is suitable for online learning but the twoorder momentum method is appropriate for incremental learning. The PSOANFIS approach could provide better results in predicting scour depths compared with other models.