فهرست پایان نامه برآورد کل بار رسوبی کف در آبراهه ها براساس مدل رگرسیون بردار پشتیبان (SVR) و الگوریتم بهینه سازی اجتماع ذرات (PSO)
فهرست:
فهرست مطالب ه
فهرست تصاویر ز
فهرست جداول. ی
1-مقدمه 1
1-1-طرح مسأله. 1
1-2-ضرورت انجام تحقیق 2
1-3-اهداف پژوهش 4
2- مبانی نظری تحقیق 7
2-1- کلیات 7
2-2-رویکرد انشتین. 8
2-3-رویکرد اَیکرز و وایت 11
2-4-رویکرد اِنجلاند و هانزن................................................................................................................... 12
2-5-رویکرد گراف 14
2-6-رویکرد یانگ....................................................................................................................................... 14
3- مروری بر تحقیقات انجام شده 17
3-1-تحقیقات انجام گرفته در زمینه مباحث پیشبینی سیل. 17
3-2-تحقیقات صورت گرفته در زمینه برآورد رسوب................................................................ ...................................... 24
4-مواد و روشها 26
4-1-تخمین. 26
4-2-یادگیری ماشین. 28
4-3-ماشینهای بردار پشتیبان (SVM) 29
4-3-1-طبقهبندی ماشین بردار پشتیبان. 30
4-3-1-1- دستهبندی خطی دادههای دارای نویز .............................................................33
4-3-1-2- حالتی که دادهها به صورت خطی جدا نشوند ..............................................35
4-3-1-2-1- نگاشت الگوها به فضای ویژگی .............................................................36
4-3-1-2-2- توابع کرنل رایج ........................................................................................42
4-3-2-رگرسیون بردار پشتیبان (SVR) 43
4-3-2-1- رگرسیونگیری خطی .......................................................................................44
4-3-2-2- رگرسیونگیری غیرخطی ................................................................................47
4-3-3- حداقل مربعات ماشین بردار پشتیبان 52
4-4-الگوریتم جامعه پرندگان. 53
4-4-1-مراحل الگوریتم جامعه پرندگان. 57
4-4-2-کاربرد الگوریتم جامعه پرندگان. 58
4-4-3-مزایای الگوریتم جامعه ذرات.. 58
4-4-4-معایب الگوریتم جامعه پرندگان. 59
4-5- دادههای مورد استفاده 59
4-6-تحلیل ابعادی 63
4-7-نرمافزار و کدنویسی 65
5-بحث و نتایج. 68
5-1-رویکرد نخست، حداقل مربعات ماشین بردار پشتیبان 68
5-2-رویکرد ثانویه، الگوریتم بهینهسازی اجتماع ذرات (PSO) 85
5-3-تحلیل حساسیت.. 90
6-نتیجهگیری و پیشنهادها 95
6-1-نتیجهگیری 95
6-2-پیشنهادها 97
7-فهرست مراجع 98
منبع:
6-
Ackers, P., & White, W. (1973). Sediment transport: new approach and analysis. Journal of the Hydraulic Division, ASCE, 99(HY11), 2041-2060.
Asefa, T., Kemblowski, M., Mckee, M., & Khalil, A. (2006). Multi-time scale stream flow predictions: the support vector machines approach. J. of Hydrology, 318(1-4), 7-16. doi: 10.1016/j.jhydrol.2005.06.001
Azamathulla, H., Ghani, A., Chang, C., Abu Hasan, Z., & Zakaria, N. (2010). Machine Learning Approach to Predict Sediment Load. Clean Soil Air Water, 38(10), 969-976. doi: 10.1002/clen.201000068
Çimen, M. (2006). Estimation of daily suspended sediments using support vector machines. Hydrological Sciences Journal, 53(3), 656-666. doi: 10.1623/hysj.53.3.656
Duan, Q., Sorooshian, S., & Gupta, V. (1994). Optimal use of the SCE-UA global optimization method for calibrating watershed models. J. of Hydrology, 158, 265-284.
Einstein, H. (1950). The bed load function for sediment transportation in open channel flows. Technical Bulletin no. 1026: U.S. Department of Agriculture, Soil Conservation Service.
Engelund, F., & Hansen, E. (1972). A monograph on sediment transport in alluvial streams. Copenhagen: Teknisk Forlag.
Garrote, L., & Bras, R. (1995). A distributed model for real-time flood forecasting using digital elevation models. J. of Hydrology, 167(1-4), 279-306. doi: 10.1016/0022-1694(94)02592Y
Graf, W. (1971). Hydraulics of sediment transport. New York: McGrow-Hill.
Hager, W., & Oliveto, G. (2002). Shields’ entrainment criterion in bridge hydraulics. Journal of Hydraulic Engineering, ASCE, 128(5), 538-542. doi: 10.1061/(ASCE)0733-9429(2002)128:5(538)
Han, D., Chan, L., & Zhu, N. (2007). Flood forecasting using support vector machines. J. of Hydroinformatics, 9(4), 267-276. doi: 10.2166/hydro.2007.027
Huang, Z., Zhou, J., Song, L., Lu, Y., & Zhang, Y. (2010). Flood disaster loss comprehensive evaluation model based on optimization support vector machine. Expert Systems with Applications, 37(5), 3810–3814.
Kennedy J., E. R. (2001). Particle Swarm Optimization. San Francisco, USA: Academic Press.
Kisi, O., & Cimen, M. (2011). Precipitation forecasting by using wavelet- Support vector machine conjunction model. Eng. Appl. of AI, 25(4), 783-792. doi:doi:10.1016/ j.engappai.2011.11.003
Misra, D., Oommen, T., Agarwal, A., Mishra, S., & Thompson, A. (2009). Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering, 103(4), 527-535. doi: 10.1016/j.biosystemseng.2009.04.017
Noori, R., Karbassi, A., Moghaddamnia, A., Zokaei-Ashtiani, M., Farokhnia, A., & ghafari gousheh, M. (2011). Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. J. of Hydrology, 401(3-4), 177-189. doi: 10.1016/j.jhydrol.2011.02.021
Owen, P. (1964). Saltation of uniform grains in air. Journal of Fluid Mechanics, 20, 225-242.
Prasad, V. (1991). Velocity, shear and friction factor studies in rough rectangular open channels for super critical flow. Bangalore: Thesis (Phd) Indian Institute of Science.
Rao, A., & Sreenivasulu, G. (2006). Design of plane sediment bed channels at critical condition. ISH Journal of Hydraulic Engineering, 12(2), 94-117. doi: 10.1080/09715010.2006.10514834
Shuquan, L., & Lijun, F. (2007). Forecasting the Runoff Using Least Square Support Vector Machine. International Conference on Agriculture Engineering.
Sivapragasam, C., Liong, S.-Y., & Pasha, M. (2001). Rainfall and runoff forecasting with SSA-SVM approach. J. of Hydroinformatics, 3(3), 141-152.
Soulsby R. L. (1997). Dynamics of marine sands. London: Thomas Telford.
Vapnik, V. N. (1995). The nature of statistical learning theory. New York, USA: Springer.
Vapnik, V. N. (1998). Statistical Learning Theory. New York, USA: Springer.
Williams, G. (1970). Flume width and water depth effects in sediment transport experiments. US Geological Survey, Professional Paper, 562-H, 37 p.
Yang C. T. (1979). Unit Stream Power Equations for Total Load. J. of Hydrology, 40, 123-138.
Yang, C. (1972). Unit Stream Power and Sediment Transport. Journal of the Hydraulic Division, ASCE, 98(HY10), 1805-1826.
Yilin, J., Cheng, C.-T., & Chau, K.-W. (2006). Using Support Vector mashines for long-term discharge prediction. Hydrological Sciences Journal, 51(4), 599-612. doi: 10.1623/hysj.51.4.599
Yu, P., Chen, S., & Chang, I. (2006). Support vector regression for real-time flood stage forecasting. J. of Hydrology, 328(3-4), 704-716. doi: 10.1016/j.jhydrol.2006.01.021
Yu, X., & Liong, S. (2006). Forecasting of hydrologic time series with ridge regression in feature space. J. of Hydrology, 332(3-4), 290-302. doi:10.1016/j.jhydrol.2006.07.003
اسمیخانی م.، صفوی ح. (1389). مدیریت تلفیقی منابع آب سطحی و زیرزمینی با کاربرد روشهای ماشین بردار پشتیبان و الگوریتم ژنتیک. پنجمین کنگره ملی مهندسی عمران. مشهد: دانشگاه فردوسی مشهد.
نوری ر.، خاکپور ا. (1390). پیشبینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی. مجله آب و فاضلاب. 118-123.