fa واکاوی کارایی روش های مبتنی بر شبکه های عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کشند پژوهشي Research/ Original/ Regular Article 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. Prediction of tides has been received a great attention from decades ago since its importance in admiralship, navigation, port designing and other related issues. The goal of this paper is to investigate the efficiency of predictive models based on Multiple Liner Regression (MLR) and feed-froward Artidicial Neural Networks (ANNs) using 3 learning algorithms of Gradient Descent (GD), Conjugate Gradient (CG) and Levenberg-Marquardt (LM). For this purpose, hourly observed data of Chabahar bay station in the Gulf of Oman and Kish Island and Imam-Khomeini port stations in the Persian Gulf were used. In the current study, the partial auto-correlation was used to determine the appropriate lag of input data. The results of models according to the criteria of RMSE and MAPE indicated that the ANN-LM has the highest accuracy in predicting tides in the 3 stations. This algorithm improved the prediction accuracy about 22%, 4% and 2% compared to MLR, GD and CG models. Finally, the residual analysis revealed the over-predictive behavior of ANNs in Kish Island and Imam Port stations while their under-predictive tendency in Chabahar Bay. لاک‌پشت رگرسیون خطی چندمتغیره، شکبه عصبی مصنوعی، کاهش شیب، شیب مزدوج، لونبرگ-مارکوارد، پیش‌بینی کشند Multiple linear regression, Artificial neural network, Gradient descent, Conjugate gradient, Levenberg-Marquardt, Tides prediction 1 10 http://joc.inio.ac.ir/browse.php?a_code=A-10-2-111&slc_lang=fa&sid=1 Mohammad Zounemat-Kermani محمد ذونعمت کرمانی zounemat@uk.ac.ir 10031947532846001852 10031947532846001852 Yes Yarmohammad Bay یارمحمد بای 10031947532846001853 10031947532846001853 No