یک روش انتخاب مشخصه فازی و پیش بینی برای مدل سازی جریان جزر و مدی : مطالعه موردی خلیج فارس

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک روش انتخاب مشخصه فازی و پیش بینی برای مدل سازی جریان جزر و مدی : مطالعه موردی خلیج فارس

عنوان لاتین

An Effective Fuzzy Feature Selection and Prediction Method for Modeling Tidal Current: A Case of Persian Gulf

این مقاله یک روش نوین دومرحله ای برای مدل سازی و پیش بینی دقیق جریان جزر و مدی را توسعه می دهد. روش پیشنهادی از انتخاب مشخصه فازی نوین برای استخراج ارجح ترین مشخصه ها از سرعت و جهت جریان جزر و مدی استفاده می کند. مشخصه های انتخاب شده سپس برای آموزش یک رگرسیون بردار پشتیبانی برای پیش بینی دقیق بکار می روند. پارامترهای تنظیمات مدل پیشنهادی توسط یک الگوریتم بهینه سازی بر اساس الگوریتم جستجوی هارمونی برای رسیدن به بهینه ترین اهداف آموزشی بدست آمده اند. الگوریتم بهینه سازی پیشنهادی از عملگرهای انتقال و جهش از الگوریتم ژنتیک برای خارج شدن از بهینه محلی و یافتن پاسخ های بهینه عمومی استفاده می کند. داده های جریان جزر و مد از خلیج فارس ایران برای ارزیابی دقت و عملکرد مدل پیشنهادی استفاده شده است. نتایج عملکرد مناسب و دقت بالای مدل پیشنهادی را در مقایسه با سایر مدل های مشهور نشان می دهند.

This paper develops a new two-stage approach for accurate modeling and prediction of tidal current. The proposed method makes use of a novel fuzzy feature selection to extract the most preferable features from the tidal current speed and direction data set. The selected features are further used to train a support vector regression for accurate prediction. The setting parameters of the proposed model are trained by a new optimization algorithm based on the harmony search algorithm to get to the most optimal training targets. The proposed optimization algorithm makes use of the crossover and mutation operators from genetic algorithm to escape from the local optima and find the global solutions. Experimental tidal data from Persian Gulf, Iran, are used to assess the accuracy and performance of the proposed model. The results show the appropriate performance and high precision of the proposed model in comparison with other famous methods.