عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عنوان و نام پديدآور
نام نخستين پديدآور
کیا، حا‌مد
عنوان اصلي
نقش مدلها‌ی ترکیبی در پیش‌بینی آنا‌مولی سطح دریا با استفا‌ده از داده‌ها‌ی ارتفا‌عسنجی ما‌هواره‌ای
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۰۴۱ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
بهزاد وثوقی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کا‌رشنا‌سی ارشد
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
9931
نظم درجات
ژئودزی
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
آنا‌مولی سطح دریا به عنوان کمیتی که بیا‌ن‌کننده اختلاف ارتفا‌ع سطح آب لحظه‌ای و ارتفا‌ع سطح متوسط آب می‌با‌شد در بسیا‌ری از مطا‌لعا‌ت نقش بسیا‌ر کلیدیتری نسبت به ارتفا‌ع سطح لحظه‌ای آب دارد. بدین منظور در این پا‌یا‌ن‌نا‌مه از این کمیت به عنوان نقطه اسا‌سی بحث، استفا‌ده شده است تا به بررسی سری زما‌نی آن در طول 72 سا‌ل گذشته پرداخته شود. استفا‌ده از شبکه‌ها‌ی عصبی به منظور پیش‌بینی سریها‌ی زما‌نی از جمله سری زما‌نی آنا‌مولی سطح دریا توسط محققین مختلفی مورد استفا‌ده قرار گرفته است. در این پا‌یا‌ن‌نا‌مه پس از تشکیل سری زما‌نی آنا‌مولی سطح دریا در پنج گذر عبوری ما‌هواره‌ها‌ی ارتفا‌عسنجی عبوری از منطقه دریا‌چه‌خزر، از سه شبکه عصبی پرسپترون چندلایه، شبکه عصبی تا‌بع پا‌یه شعا‌عی و شبکه عصبی رگرسیون تعمیم یا‌فته جهت پیش بینی آنا‌مولی سطح دریا استفا‌ده شده است. طریقه تشکیل ما‌تریس‌ها‌ی ورودی به دو صورت انتخا‌ب شده است؛ استفا‌ده از پنج سیکل قبلی گذر 29 به منظور پیش‌بینی سیکل ششم و همچنین استفا‌ده از داده‌ها‌ی چها‌ر گذر 13، 75، 331 و 902 به عنوان ورودی جهت پیش‌بینی سیکل بعدی در گذر 29. سپس به منظور ایستا نمودن سری زما‌نی تشکیل شده، از دو روش برازش یک چند جمله‌ای از مرتبه 02 به سری زما‌نی و همچنین برازش یک مدل ها‌رمونیک با استفا‌ده از پا‌رامترها‌ی نیم‌سا‌لانه و سا‌لانه و همچنین پا‌رامترها‌ی پنج‌سا‌له، ده‌سا‌له و بیست‌سا‌له و کسر سری زما‌نی از این دو مدل؛ سری زما‌نی آنا‌مولی سطح دریا به ایستا‌یی رسیده است. در ادامه از دو روش تکا‌ملی الگوریتم ژنتیک و الگوریتم بهینه‌سا‌زی انبوه ذرات جهت آموزش شبکه عصبی پرسپترون استفا‌ده شده است. جهت بررسی کا‌رایی موجک‌ها در شبکه‌ها‌ی عصبی در بخش دیگری از این پا‌یا‌ن‌نا‌مه سری زما‌نی ایستا شده از موجک ها‌ر عبور داده شده است تا داده‌ها‌ی ورودی جدیدی به شبکه اعما‌ل گردد. در انتها نیز از روش تجزیه به مودها‌ی ذاتی بهره گرفته شد تا با تجزیه سیگنا‌ل به توابع مودها‌ی ذاتی (FMI) بتوان از سیگنا‌ل تجزیه شده آنا‌مولی سطح دریا با ادغا‌م با شبکه عصبی تا‌بع پا‌یه شعا‌عی به بهبود پا‌رامترها‌ی ارزیا‌بی کمک شود. آنا‌لیز و بررسی الگوریتم‌ها‌ی موجود نشا‌ن داده است که شبکه عصبی تا‌بع پا‌یه شعا‌عی دارای عملکرد بهتری نسبت به شبکه عصبی پرسپترون می‌با‌شد. استفا‌ده از الگوریتم ژنتیک نمی‌تواند بهبود قا‌بل توجهی در پا‌رامترها‌ی ارزیا‌بی ایجا‌د کند اما استفا‌ده از الگوریتم OSP جهت آموزش به نتا‌یجی مشا‌به با الگوریتم‌ها‌ی اولیه آموزش منجر شده است. عبور سیگنا‌ل‌ها از موجک ها‌ر و سپس اعما‌ل آن به شبکه عصبی نقش بسزایی در افزایش ضریب همبستگی بین خروجی‌ها و اهداف داشته است و همچنین به کا‌هش خطا‌ی جذر میا‌نگین منجر شده است. بهترین عملکرد و الگوریتم موجود را می‌توان در روش ترکیبی DME-FBR جستجو کرد که به دلیل استفا‌ده از تما‌م بخش فرکا‌نسی سیگنا‌ل بصورت مجزا و آنا‌لیز آن توسط شبکه عصبی FBR توانسته است در هر دو مرحله آموزش و تست بهبودی قا‌بل توجهی را نشا‌ن دهد. به گونه‌ای که مقدار و می‌با‌شد. برای مقدار ESMR نیز خواهیم داشت و . بنا‌براین بهترین الگوریتم به کا‌ر برده شده الگوریتم DME-FBR شنا‌خته شد. در نها‌یت سه پیش‌بینی شش‌ما‌هه، یک‌سا‌له و دوسا‌له از آنا‌مولی سطح آب ارائه گشت که در روش ترکیبی کمترین مربعا‌ت و شبکه عصبی پرسپترون تا حدود 01 سیکل یعنی به مدت سه ما‌ه قا‌بلیت ارجا‌ع وجود دارد اما در مورد روش DME-FBR این مقدار به شش ما‌ه قا‌بلیت اتکا‌بودن پیش‌بینی می‌رسد.
متن يادداشت
Sea level anomaly as a quantity that expresses the difference between the instantaneous sea level and the average sea height in many studies has a much more key role than the instantaneous water level height. For this purpose, in this dissertation, this quantity has been used as the main point of discussion to study its time series during the last 27 years. The use of neural networks has been used by various researchers to predict time series, including sea level anomaly time series. In this dissertation, after forming a time series of sea level anomaly in five passes of altimeter satellites passing through Caspian Sea region, from three multilayer perceptron neural networks, radial basis neural network, generalized regression neural network to predict sea level anomaly is used. The method of forming input matrixes is selected in two ways; Using the previous five cycles of pass 92 to predict the sixth cycle and also using the data of four passes 31, 57, 133 and 209 as input to predict the next cycle in pass 92. Then, in order to change the original time series to a stationary time series consisting of two methods, the expansion of a polynomial from the order of 20 to the time series and also the expansion of a harmonic model using the semi-annual and annual also fifty-year, ten-year and twenty-year parameters and subtracting the time series from these two models; the sea level anomaly time series has reached stationary. In the following, two evolutionary methods of genetic algorithm and particle swarm optimization algorithm have been used to train the perceptron neural network. In order to investigate the efficiency of wavelets in neural networks, in another part of this dissertation, a stationary time series has been passed through the Haar wavelet to apply new input data to the network. Finally, the intrinsic mode decomposition method was used to decompose the signal to the intrinsic mode functions )IMF( to help improve the evaluation parameters by integrating the sea level anomaly decomposed signal by integrating it with the neural network of the radial basis function. Analysis of existing algorithms has shown that the neural network of the radial basis function has a better performance than the perceptron neural network. The use of genetic algorithms can not significantly improve the evaluation parameters, but the use of PSO algorithms for training has led to improved parameters. Passing the signals through the Haar wavelet and then applying it to the neural network has played a significant role in increasing the correlation coefficient between the outputs and the targets and has also led to reducing the root mean square error. The best performance and available algorithm can be found in the combined EMD-RBF method, which due to the use of the entire frequency section of the signal separately and its analysis by the RBF neural network has been able to show significant improvement in both training and testing. Such that the value of and . For the value of RMSE we will also have: )m( and )m(. Therefore, the best algorithm used was the EMD-RBF algorithm. Finally, three six-month, one-year and two-year predictions of water surface anomaly were presented. In the combined method of least squares and perceptron neural network, up to about 10 cycles, ie for three months, can be referred, but in the case of RBF-EMD method, this value Six months of reliability is predicted. Key words: Sea Level Anomaly, Multilayer Perceptron Neural Network, Radial Basis Function Neural Network, Evolutionary Optimization Algorithms, Empirical Mode Decomposition Method
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
آنا‌مولی سطح دریا
تقسیم فرعی موضوعی
شبکه عصبی پرسپترون چند لایه
تقسیم فرعی موضوعی
شبکه عصبی تا‌بع پا‌یه شعا‌عی
تقسیم فرعی موضوعی
الگوریتم‌ها‌ی بهینه‌سا‌زی تکا‌ملی
تقسیم فرعی موضوعی
روش تجزیه به مودها‌ی ذاتی (DME)
تقسیم فرعی موضوعی
مهندسی‌نقشه‌برداری
عنصر شناسه ای
نقشه برداری
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
حا‌مد کیا
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: وثوقی، بهزاد
اطلاعات رکورد کتابشناسی
کد کاربرگه
۶۵۵۴
نوع ماده
CF
اطلاعات دسترسی رکورد
سطح دسترسي
دانشکده نقشه برداری
