دانشگاه صنعتی امیرکبیر نشریه مهندسی عمران امیرکبیر 2588-297X 49 2 2017 07 23 Performance Improvement of Biological BOD in Rivers based on De-noising Comparison Wavelet-ANN Conjunction, GP, ANN and MLR Methods (Case Study:Karaj Dam Outlet Station) بهبود نتایج پیش بینی BOD رودخانه ها بر پایه نویززدایی با مقایسه مدل های موجک عصبی، برنامه ریزی ژنتیک، شبکه عصبی و رگرسیون خطی (مطالعه موردی: ایستگاه خروجی سد کرج) 273 284 710 10.22060/ceej.2016.710 FA طاهر رجایی گروه مهندسی عمران، دانشگاه قم، قم، ایران حمیده جعفری گروه مهندسی عمران، دانشگاه قم، قم، ایران رقیه رحیمی گروه مهندسی عمران، دانشگاه قم، قم، ایران Journal Article 2014 05 27 This study considered artificial neural network (ANN), multi-linear regression (MLR), Genetic <br />Programming (GP) and wavelet analysis and ANN combination (WANN), models for monthly water <br />biological oxygen demand (BOD) in station Karaj Dam outlet and investigates the effects of data <br />preprocessing on model performance using discrete wavelet. For this purpose, In the first proposed <br />model, observed time series of BOD were decomposed into several subtime series at different scales by <br />discrete wavelet transform. Then these subtime series were imposed as inputs to the ANN method. In <br />the second proposed model, observed time series of BOD were decomposed at ten scales by wavelet <br />analysis. Then, total effective time series BOD were imposed as inputs to the neural network model for <br />prediction of BOD in one month ahead. Results showed that the wavelet neural network models <br />performance was better in prediction rather than the neural network and multilinear regression <br />models. The wavelet analysis model produced reasonable predictions for the extreme values. This <br />model dropped the mean absolute percentage error for the MLR, GP, ANN and the first hybrid <br />models from 1.87, 0.91, 0.65 and 0.46 respectively, to 0.44 and increased the Nash-Sutcliffe model <br />efficiency coefficient from 0.23, 0.53, 0.73 and 0.81 to 0.83. در این مطالعه مدل‌های شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره، برنامه‌ریزی ژنتیک و ترکیب شبکه عصبی- موجک برای پیش بینی اکسیژن‌خواهی بیوشیمیایی ماهانه آب (BOD) در ایستگاه خروجی سد کرج بررسی شد و تأثیر پیش‌پردازش داده‌ها روی عملکرد مدل‌ها بوسیله تجزیه موجک مورد تحقیق قرار گرفت. به این منظور در مدل پیشنهادی اول، سری زمانی BOD مشاهداتی بوسیله توابع تبدیل مختلف در سطوح مختلفی به زیر سری‌ها تجزیه شدند و به عنوان ورودی در مدل شبکه عصبی قرار گرفتند. در مدل پیشنهادی دوم، سری زمانی BOD در ده سطح تجزیه شد. سپس حاصل جمع جبری زیرسری‌های مؤثر به عنوان ورودی مدل شبکه عصبی برای پیش‌بینی ماه آینده BOD درنظر گرفته شد. نتایج نشان داد که عملکرد پیش‌بینی مدل‌های ترکیبی موجک عصبی نسبت به شبکه عصبی، برنامه‌ریزی ژنتیک و رگرسیون بهتر است. این مدل ترکیبی برای مقادیر بیشینه نیز پیش‌بینی قابل قبولی را ارائه داده است. همچنین مدل ترکیبی دوم میانگین قدرمطلق خطا را برای مدل‌های رگرسیون، برنامه‌ریزی ژنتیک، شبکه عصبی و مدل ترکیبی اول، به ترتیب از 87/1 ، 91/0، 65/0 و 46/0 به 44/0 کاهش داد و ضریب کارایی را از 23/0، 53/0، 73/0 و 81/0 به 83/0 افزایش داد. https://ceej.aut.ac.ir/article_710_c8edf50120124e42a7f81648686e5630.pdf