Document Type : Original Article
Authors
1 .MSc in water resource engineering,Tabriz University,Tabriz,Iran
2 Professor ,department of water engineering, Tabriz University,Tabriz,Iran
3 Assistant Professor, department on water engineering, Tabriz University,Tabriz,Iran
4 .Associate Professor, department on water engineering, Tabriz University, Tabriz,Iran
Abstract
Keywords
۱.ابراهیمی، ل. و غ. بارانی. ۱۳۸۴. معرفی مدل تلفیقی تبدیل موجکی و شبکه های عصبی برای پیش بینی خشکسالی حوزه های آبخیز سدها. مجموعه مقالات دومین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک، ۳ و ۴ اسفند ۱۳۸۴ ، دانشگاه کرمان، ص۲۳۵۴-۲۳۵۹
۲.سلطانی، س. ۱۳۸۱. مقایسه مدل های تفهیمی در مقایسه با شبکه های عصبی مصنوعی در شبیه سازی بارش- رواناب. پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس، ص 98.
۳.طوفانی، پ.، ا. مساعدی، و ا. فاخری فرد.۱۳۹۰.پیش بینی بارندگی با استفاده مستقیم از نظریه موجک. نشریه آب و خاک. 25، ص1217-1226.
۴.قبائی سوق، م.، ا. مساعدی و ح. موسی هزار جریبی .۱۳۸۹. ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریعتر تبخیر و تعرق روزانه. نشریه آب و خاک،دانشگاه فردوسی مشهد. جلد ۲۴ شماره۳ ، ص610-624.
۵. منهاج، م .۱۳۸۱. مبانی شبکه های عصبی(هوش محاسباتی). جلد اول، مرکز نشر دانشگاهی صنعتی امیرکبیر، صفحه 715.
۶.نوری، م.، ه. عبقری.۱۳۸۶. شبیه سازی بارش- رواناب با شبکه های عصبی تابع بنیادی شعاعی(RBF) مبتنی بر طبقه بندی شبکه عصبی احتمالاتی.(PNN) لوح فشرده مجموعه مقالات سومین کنفرانس آبخیزداری و مدیریت منابع آب و خاک، ۲۰ و ۲۱ آذر ۱۳۸۶ ، دانشگاه کرمان.
7. Abrahart, RJ.; L. See .2000. comparing neural network (NN) and Auto Regressive Moving Average (ARMA) techniques for the provision of continuous river flow forecasts in two contrasting catchment.Hydrol Process,14:2157-2172.
8. Adamowski, Jan.; Karen. Sun. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology vol, 390:85–91.
9. Bowden, G.J.; G.C. Dandy; H.R. Maier. 2005. Input determination for neural network models in water resources applications. Part1.background and methodology.” J. of Hydrologic.. 301:75-92.
10. Broadhurst, D.; R. Goodacre; A. Jones; J.J. Rowland and D.B. Kell .1997. Genetic algorithms as a method for variable selection in multiple linear regression and partial least squares regression, with applications to pyrolysis mass spectrometry. Anal. Chim. Acta. 348 (1-3): 71-86.
11. Cannas, B.; A. Fanni; L. See and G. Sias.2006. Data preprocessing for river flow forecasting using neural networks: wavelet transforms and data partitioning. Phys Chem Earth.31(18):1164–1171.
12. de Vos, N.J. 2003. Rainfall-Runoff Modelling Using Artificial Neural Networks. M. Sc. Thesis Report., Civil Engineering Informatics Group and Section of Hydrology & Ecology.
13. Govindaraju, Rao S. 2000. Artificial neural networks in hydrology II: hydrologic applications. Journal of Hydrologic Engineering. 5(2):124-137, ASCE.
14. Haykin, S. 1994. Neural Networks:a comprehensive foundation. Mac Millan College. Publishing Company New York.
15. Haykin, S.1999. Neural networks: a comprehensive foundation, 2nd Ed., Prentice Hall., New Jersey, USA.
16. Kisi, O .2008. Stream flow forecasting using neuro-wavelet technique.Hydrol. Process. Vol, 22:4142–4152.
17. Mallat, S. 1989. Throries for multiresolution signal decomposition: the wavelet representation ,IEEE Pattern Anal. and Machine Intell.11(7): 93-674.
18. Merry, R.J.E. 2005. Wavelet Theory and Applications. A literature study. Eindhoven University of Technology Department of Mechanical Engineering Control Systems Technology Group.
19. Misiti, M.; Y. Misiti; G. Oppenheim and J.M. Poggi. 1996. “Wavelet Toolbox”..
20. Nourani ,V.; M. Komasi and A. Mano .2009.A Multivariate ANN-Wavelet Approachfor Rainfall–Runoff Modeling. Water Resour Manage 23: 2877–2894.
22. Polikar, R. 1996. Fundamental Concept and An Oveview Of The Wavelet Theory Wavelet Tutorial. sECOND edition. rowan university. coollege of engineering web servers. glassboro .nj.08028.
24. Sifuzzaman, M.; M.R. Islam; M.Z. Ali .2009. Application of Wavelet Transform and its Advantages Compared to Fourier Transform. Journal of Physical Sciences, 13:121-134.
25. Silverman, D.; J. A. Dracup.2000. Artificial neural network and long range precipitation prediction in California. Journal of Applied Meteorology 39(1):57-66.
26. Thuillard, M .2000. A review of wavelet networks ,wavelets, fuzzy wavelets and their application. ESIT.in:Presented in Conference 14-15 September.
27. Zhang, BL .; ZY. Dong .2001. An adaptive neural wavelet model for short term load forecasting. Electr Power Syst Res. 59:121–129.
28. Zhang, Y.X. 2007. Artificial neural networks based on principal component analysis input selection for clinical pattern recognition analysis. Talanta. 73 (1):68-75.