KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Tasarım Dergisi / 2018 / Cilt: 6 - Sayı: 1

DALGACIK DÖNÜŞÜMÜ-ANFIS İLE DALAMAN ÇAYI AKIMININ TAHMİNİ

ESTIMATION OF DALAMAN STREAM FLOW BY USING WAVELET-ANFIS

Emine Dilek TAYLAN
Sayfa
56–63
Yayın Tarihi
2022-10-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, Wavelet-ANFIS hibrit modellerinin AR-ANFIS modellerinden daha iyi bir tahmin yeteneğine sahip oldukları ve Wavelet-ANFIS hibrit modelinin akım tahmininde başarı ile kullanılabileceği ortaya çıkarılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, dalgacık dönüşüm tekniği ile Adaptif Ağ Temelli Bulanık Çıkarım Sistemi (ANFIS) bir arada kullanılarak akım tahmin modelleri geliştirilmiştir.
📊
Temel Bulgular & Veri:Bu amaçla, otoregresif (AR) süreçler ile birleştirilmiş ANFIS modellerinin performansını geliştirmek için dalgacık analizi ile üretilen alt seriler kullanılarak Wavelet-ANFIS modeller geliştirilmiştir.
💡
Sonuç & Katkı:Sonuç olarak, Wavelet-ANFIS hibrit modellerinin AR-ANFIS modellerinden daha iyi bir tahmin yeteneğine sahip oldukları ve Wavelet-ANFIS hibrit modelinin akım tahmininde başarı ile kullanılabileceği ortaya çıkarılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada, dalgacık dönüşüm tekniği ile Adaptif Ağ Temelli Bulanık Çıkarım Sistemi (ANFIS) bir arada kullanılarak akım tahmin modelleri geliştirilmiştir. Bu amaçla, otoregresif (AR) süreçler ile birleştirilmiş ANFIS modellerinin performansını geliştirmek için dalgacık analizi ile üretilen alt seriler kullanılarak Wavelet-ANFIS modeller geliştirilmiştir. Geliştirilen modeller karşılaştırıldığında, dalgacık analizi ile üretilen girdi veri setlerinin model performansını artırdığı görülmüştür. Sonuç olarak, Wavelet-ANFIS hibrit modellerinin AR-ANFIS modellerinden daha iyi bir tahmin yeteneğine sahip oldukları ve Wavelet-ANFIS hibrit modelinin akım tahmininde başarı ile kullanılabileceği ortaya çıkarılmıştır.

Abstract

In this study, flow estimation models were formed by using a combination ofDiscrete Wavelet Transform Technique (Wavelet) and Adaptive Network BasedFuzzy Inference System (ANFIS). For this purpose, Wavelet-ANFIS models havebeen developed by using sub-series generated by wavelet analysis for improvingperformance of ANFIS models which is integrated auto regressive process (AR). It isseen that input data sets generated by wavelet analysis improved model performance. Asa result, it is found that Wavelet-ANFIS hybrid models have a better predictivepower than AR-ANFIS models and that the Wavelet-ANFIS hybrid model can be usedsuccessfully in flow estimation.

🔖

Bu Makaleye Atıf Yap

TAYLAN, E. D. (2022). DALGACIK DÖNÜŞÜMÜ-ANFIS İLE DALAMAN ÇAYI AKIMININ TAHMİNİ. Mühendislik Bilimleri ve Tasarım Dergisi, Cilt: 6 - Sayı: 1, 56–63. https://ajindex.com/articles/583780

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Awan, J., Bae, D-H., 2014. Improving ANFIS based model for long-term dam inflow prediction by incorporating monthly rainfall forecasts. Water Resour. Manag., 28(5), 1185–1199.
  2. Badrzadeh, H., Sarukkalige, R., Jayawardena, A. W., 2013. Impact of multi-resolution analysis of artificial intelligence models inputs on multi-step ahead river flow forecasting, Journal of Hydrology, 507, 75-85.
  3. Box, G. E. P., Jenkins, G. M., 1970.Time Series Analysis, Forecasting and Control. Holden-Day, San Francisco, California, USA. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., 1994.Time Series Analysis, Forecasting and Control. Prentice- Hall, Englewood Cliffs, New Jersey, USA. Chang, L. C., Chang, F.J., 2001.Intelligent control for modelling of real-time reservoir operation. Hydrol. Processes,15, 1621–1634.
  4. Chen, S.H., Lin, Y.H., Chang, L.C., Chang, F. J., 2006. The strategy of building a flood forecast model by neuro-fuzzy network. Hydrol. Processes, 20, 1525– 1540. DeLurgio, S. A., 1998. Forecasting Principles and Applications. McGraw-Hill, New York, USA. Hundecha, Y., Bardossy, A.,Theisen, H. W., 2001. Development of a fuzzy logic based rainfall–runoff model. Hydrol. Sci. J.46(3), 363–377.
  5. Jang, J. S. R., 1992. Self-learning fuzzy controllers based on temporal back propagation. IEEE Trans. Neural Networks,3(5), 714–723.
  6. Keskin, M.E., Taylan, D., 2009. Artificial models for interbasin flow prediction in southern Turkey. ASCE Journal of Hydrologic Engineering., 14, 752– 758. Keskin, M.E., Taylan, D., Terzi, Ö.,2006. Adaptive neural-based fuzzy inference system (ANFIS) approach for modelling hydrological time series. Hydrological Sciences Journal, 51, 588–598.
  7. Kisi, O., Cimen, M., 2011. A wavelet-support vector machine conjunction model for monthly streamflow forecasting, J. Hydrol., 399(1–2), 132– 140. Lin, C.T., Lee, C.S.G., 1995.
  8. Neural fuzzy systems, New Jersey, USA, Prentice Hall PTR 797. Nourani, V., Alami, M. T., Aminfar, M. H., 2009.A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation, Engineering Applications of Artificial Intelligence, 22(3), 466- 472. Pektaş A.O., Cigizoglu, K.H., 2013. ANN hybrid model versus ARIMA and ARIMAX models of runoff coefficient. J. Hydrol., 500, 21–36
  9. Salas, J.D., Delleur, J.W., Yevjevich, V.M., Lane, W.L. 1980.Applied modeling of hydrologic time series. Water Resources Publications, Littleton See, L., Openshaw, S., 2000. Applying soft computing approaches to river level forecasting. Hydrol. Sci. J.,44(5),