RT - Journal Article T1 - Efficiency Analysis of Artificial Neural Networks and Multiple Linear Regression Methods for Tides Prediction JF - JOC YR - 2013 JO - JOC VO - 4 IS - 13 UR - http://joc.inio.ac.ir/article-1-326-fa.html SP - 1 EP - 10 K1 - Multiple linear regression K1 - Artificial neural network K1 - Gradient descent K1 - Conjugate gradient K1 - Levenberg-Marquardt K1 - Tides prediction AB - پیش‌بینی تغییرات کشند، به‌دلیل اهمیتی که در برنامه‌ریزی‌های ناوگان دریایی و نظامی، حمل و نقل و کشتیرانی، طراحی بنادر و سایر مسایل مرتبط با امور دریا دارد؛ از دیرباز مورد توجه بوده است. هدف این مطالعه بررسی عملکرد مدل‌های شبکه‌های عصبی پیش‌خور با 3 الگوریتم یادگیری کاهش شیب، شیب مزدوج و لونبرگ-مارکوارد در پیش‌بینی ساعتی تغییرات کشند است. به‌علاوه در تحقیق حاضر، نتایج حاصل از مدل رگرسیون خطی چندمتغیره نیز مد نظر قرار گرفته است. برای این منظور داده‌هایساعتی مشاهداتی ایستگاه ساحلی خلیج چابهار در دریای عمان و ایستگاه‌های جزیره کیش و بندر امام خمینی(ره) در سواحل شمالی خلیج فارس در یک بازه 90 روزه مورد استفاده قرار گرفته‌اند. به‌منظور تعیین مقدار وقفه مناسب در مدل‌سازی زمانمند، شیوه خودهمبستگی جزئی به‌کار گرفته شده است. نتایج ارزیابی مدل‌ها بر اساس شاخص‌های ریشه میانگین مجذور خطا و درصد مطلق خطا حاکی از آن‌ است که مدل شبکه عصبی مبتنی بر الگوریتم لونبرگ-مارکوارد بالاترین دقت را در پیش‌بینی تغییرات کشند در هر 3 ایستگاه مطالعاتی دارا است. این الگوریتم به‌طور متوسط به‌میزان 22، 4 و2 درصد دقت پیش‌بینی‌های مدل‌های رگرسیون خطی چندمتغیره، الگوریتم کاهش شیب و شیب مزدوج را بهبود بخشیده است. در نهایت تحلیل خطای مربوط به مجموع باقیمانده‌ها، بیش‌پیش‌بین بودن مدل‌های شبکه عصبی در ایستگاه‌های جزیره کیش و بندر امام خمینی(ره) و کم‌پیش‌بین بودن آن‌ها را در ایستگاه خلیج چابهار را آشکار می‌سازد. LA eng UL http://joc.inio.ac.ir/article-1-326-fa.html M3 ER -