杂化的极端学习机模型樽海鞘群算法:水文应用程序的一种新的预测模型

文摘

的能力极端学习机(ELM)模型在随机建模,非线性和复杂的水文工程问题已被证明非常。经典的榆树训练算法是基于nontuned和随机过程可能不是有效的收敛性能优良或诱捕的局部最小值的问题。当前的研究调查的集成(即新探索metaheuristic算法。樽海鞘群算法(SSA))与榆树模型预测月河流量。二十年的河流量数据的时间序列在巴格达底格里斯河站,伊拉克,作为案例研究。不同的输入组合应用构造预测模型基于前期值。结果评估是基于几个统计措施和图形演示。河流量预测的准确性SSA-ELM优于经典的榆树和其他人工智能(AI)模型。测试阶段,提出SSA-ELM模型取得了令人满意的提高精度水平(8.4和13.1的比例增加RMSE和梅)分别对经典的榆树模型。总之,研究确定,SSA-ELM模型是一个合格的信息资料月河流量预测模型在底格里斯河,伊拉克。

1。介绍

由于广泛的空间和时间的可变性,河流量建模一直是一个关键问题在水管理和水文1]。许多水资源系统的操作规则曲线需要每月河流量预测(2]。各种方法能够预测河流量在不同条件下提出了不同程度的准确性,大大发展在过去的几十年中从简单的线性方程的复杂和复杂的。研究人员认为各种河流量预测方法等概念(HEC-HMS和乙肝病毒)3- - - - - -5),随机(AR-autoregressive和ARMA-autoregressive移动平均)(6),physical-based (SWAT)模型(7,8]。

降雨和河流量变量之间的复杂关系以及缺乏足够的流域水文数据,使数据驱动模型,如人工智能更适合河流量预测相比,基于过程的模型(9]。目前,单一的方法通常可以使用所有类型的盆地和系统尚未开发。水文学家目前已经构建可靠的预测方法,利用现有的和新的科学技术,如混合智能模型。混合人工智能模型的能力在解决相关的非线性和非平稳问题已经在不同的领域引起了极大关注10,11]。同样,这解释了他们的广泛应用特别是在建模河水流(12,13)和水文过程(14]。

研究展示了一种广泛的使用人工智能模型预测精度与测试站点的地理地形,尽管他们在其他领域的成功(15- - - - - -18]。的发展模式,将用于预测在任何环境条件方面有待探索。水资源管理工程的研究人员应该出于断言:与人工智能优化算法的集成模型为混合智能模型提高预测模型的精度?水文学家和情报系统建模,为了解决提出的问题,面临的挑战是正确选择的输入组合已知规则客观预测模型的预测精度模型开发(19]。

文献指出一个非常巨大的河流量建模的人工智能模型的实现。这些模型都是人工神经网络,遗传编程,模糊逻辑方法,支持向量机模型,M5树模型,补充人工智能模型加上数据时间序列预处理技术,和混合模型14]。最近,一个新版本的ANN模型称为极端学习机是由作者(20.),作为一个健壮的预测模型。榆树在水文领域的就业,尤其是在河流量建模演示了一个非常有前途的技术,增强在建模过程14]。

建模河流量的第一次尝试使用榆树成立于(21]。作者开发了一个榆树模型来捕获相关的非线性的季节性河流流入巴西的水电。他们的发现证明该模型的潜力,强调几个水文调查。李和程[22]研究了榆树的能力模块的月度规模油藏流入中国。榆树模型提供了一个准确的结果相比,其他几个行之有效的人工智能模型。改进的榆树模型开发的一个新版本被称为在线连续极端学习机(OS-ELM)在加拿大多个河流量尺度预测(22]。相同的OS-ELM模型被开发为洪水预报每小时河流量监控(23]。改进的榆树模型的结果显示出明显的预测性能。在另一个尝试,Yaseen等人开发了一个榆树模型预测河流流量的月度规模位于半干旱环境在伊拉克。该模型显示良好的模仿能力每月河流量的趋势。后来,一些研究批准榆树的潜力领域的水文过程(13,24- - - - - -29日]。基于极限学习机的报告文学建模及其版本在很短时间内改善水文问题,作者的关注主要是修改这个健壮的预测模型,试图提高其可预测性的技能。

尽管明显的榆树的承诺实现模型在各种水文应用程序中,它仍然存在局限性和缺点。首先,输入的随机分配权重和偏见会影响网络的泛化能力(30.]。此外,榆树需要更多的隐藏神经元导致更复杂的模型(31日]。因此,当前研究的主要动机是榆树提出新的培训优化模型来解决上述问题,提高可预测性榆树的性能模型。

在这个研究中,一种新的优化算法称为樽海鞘蜂群算法和杂化的榆树模型优化网络的输入权值和隐藏的偏见。SSA是现代表面算法(32]。SSA展示了令人印象深刻的性能优化各种复杂和具有挑战性的工程问题。基于这些事实,探索优化器的功能的动机是尽量和作者的工作去提高古典榆树的性能模型表面水文应用程序。出于这个原因,半干旱环境的实际情况在伊拉克底格里斯河的调查是一个扩展的出版工作(33]。

这个研究是有组织的如下。简要介绍该方法给出了第二节。调查案例中描述的描述第三节。拟议的榆树模型基于SSA优化详细介绍和讨论第四节。实验结果和讨论第五节。最后,结论和研究的工作进行了总结第六节。

2。预赛

2.1。樽海鞘群算法

SSA是最近表面算法模拟海洋生物的群集行为称为樽海鞘(32]。樽海鞘有筒状的凝胶状的身体,他们通过身体移动通过抽水从一边到另一边。樽海鞘作为殖民地存在和移动链。在南亚地区,运动行为是解决优化问题的数学模型。假设的模型主要有两种类型的樽海鞘:领导者和追随者。樽海鞘的领导人领导链在前面的方向,而和谐的追随者遵循同步他们的领导人,如图1。

像所有的群智能算法,SSA开始通过随机初始化一群N樽海鞘。每樽海鞘是由一维的向量表示n元素,而群被表示为一个二维矩阵x。算法也指的是目标群的食物来源F。领袖的运动链是模仿按照下面公式: 在哪里j位置更新的尺寸,是j食物来源的th元素位置,和上界和下界的吗jth元素,和是随机数的区间[0,1],然后呢是动态变量,改变它的值在迭代的过程中按照下列公式: 在这l当前迭代和代表l是一个预定义的最大迭代数。请注意,SSA过程中是一个非常重要的变量控制之间的平衡优化算法的勘探和开发过程。追随者相应地更新他们的立场 在哪里是我的th元素jth位置和 。SSA的过程在图算法2。

2.2。极端的学习机器

人工神经网络(ANN)被用来作为普遍接近者来处理复杂的问题在各种不同的领域。其中的一个常见问题是分类和回归问题。为安能够预测输出变量的值,它需要被训练基于一组示例使用学习算法。最近的一个变体的网络是榆树和成功。榆树是一个学习的框架,用于单隐层前馈神经网络(SLFN)介绍了最近在20.]。榆树模型的主要优点是强调能力的学习过程收敛速度在古典梯度训练SLFN体面的方法(34]。此外,nonrequirement算法调优参数类似于反向传播算法。调优榆树模型不需要人类的互动(35]。此外,榆树不要求迭代过程调优SLFN参数。相反,它随机修改输入重量和隐藏的偏见,然后控制输出权重系统使用的潜力Moore-Penrose (MP)广义逆方法。SLFN-based榆树的插图图所示3。

SLFN训练使用的输出数据集N不同的例子表示为(x_我,t_我),我= 1,2,…N,在那里x_我输入向量和吗t_我是输出向量。激活函数和k隐藏的神经元 在哪里表示的权向量的输入节点的链接jth隐藏节点,表示的偏差值jth隐藏节点的值是输出权值连接jth隐藏节点与输出节点(36]。公式(4)是简洁而写的 在哪里H是输出矩阵的隐层。榆树随机分配权重和偏见而不需要考虑输入数据。榆树决定了输出权重通过求解方程(5)使用MP广义逆。输出权值可以由榆树使用以下公式:

榆树的过程在图展示了预测模型4。

3所示。案例研究和网站描述

在这项研究中,底格里斯河位于伊拉克地区选择检查提出的混合预测模型。河的总长度约为1718公里。河源于土耳其和伊拉克南部流向。大部分流域(约85)位于伊拉克的近似集水面积253000公里²。底格里斯河和幼发拉底河展示在伊拉克的主要淡水资源,提供国内水等多种用法,农业、工业用途,和其他几个用法。河的地区环境的半干旱气候,与底格里斯河流域气候范围从上游semihumid北方半干旱地区接近在那里会见了幼发拉底河的南部地区。每年的平均降水盆地是在400年和600毫米之间,尽管年降水量值的上、下部分已经注册为800和150毫米,分别。由于降水率高扎格罗斯山脉在底格里斯河流域的东部,它有一个更高的平均降水量约300毫米/年相比,幼发拉底河流域(37]。周围的流域降水主要发生在11月至4月,在一月到三月见证降雪在山里。伊拉克和叙利亚的低地的气候条件(干旱半干旱)通常促进水蒸散在美索不达米亚地区的巨大损失。底格里斯河流域的空气温度对−35°C在冬天在亚美尼亚高原和大约40°C Jezira高原夏季(38]。伊拉克首都巴格达,平均降雨量216毫米,降雨通常经历了从12月到2月。在首都,底格里斯河河流量是235米³·年代⁻¹。最大的天气温度是45°C在夏季和大约10°C冬季(39,40]。

模型建立,月河流量规模用于构建预测模型以巴格达站(见图5)。河流流量的历史数据库是来自美国地质调查局的数据系列540 (41]。利用数据集的统计描述列在下表中1。排水系统网站的面积是134,000公里²纬度之间的协调,这是33°24′34“N和经度44°20′32“E。在过去的二十年里,明显负河流量恶化底格里斯河的观察。这种恶化与几个原因如外交问题或气候变化。因此,提供一个准确、可靠的必要性data-intelligence强烈推荐这条河模型系统。

4所示。提出SSA-ELM预测模型

有两种基本的点,在应用前应确定任何进化或群算法优化解决方案的任何问题的表征和成本函数的选择。这两点解决提出SSA-ELM模型如下:(我)为了处理一个使用metaheuristic算法优化问题,问题的解决方案应该在算法中得到适当的表达。也就是说,解决方案是编码作为一个个体。在拟议的SSA-ELM模型中,每个代表一个潜在的解决方案作为一个真正的向量我,在那里我由两部分组成:输入权重和隐藏的偏见给出方程(10)。所有元素的我生成(−1,1): (2)metaheuristic算法,利用成本函数来评估质量的迭代生成的解决方案。在这部作品中,根均方误差(RMSE)被选为最常用的成本函数成本函数在进化极端的学习算法。可以测量RMSE给出方程(8)。算法的目的是找到的榆树模型RMSE的最小值:

拟议中的SSA-ELM算法的过程可以描述如下:

首先,该算法首先生成随机一个预定义的号码N的粒子。每个粒子的代表候选人榆树网络正如前面所解释的那样。然后,计算每个粒子的适应度使用以下步骤:(我)分配的值输入权重和隐藏的偏见,一个给定的粒子网络结构。(2)榆树网络的输出权值计算使用点方法基于训练数据集的一部分。(3)计算给定的RMSE方程(8)根据验证数据集的一部分。

执行健身评价步骤后,粒子排序根据他们的健身价值。最好的l粒子生成榆树网络与最低RMSE值被提名为领导人。其余的粒子群是追随者。提出了预测算法的描述显示在图中6。

领导者和追随者的位置更新根据方程(1)和(3分别)。评估和更新步骤重复直到到达一个预定义的迭代次数。

培训过程建立了该模型计算通过使用相关的滞后相关性统计方法(即。适当、自相关和偏自相关函数)来检测目标属性(参见图输入属性7)。这个过程是在和谐与完成的主要研究文献[42,43]。基于可视化的相关统计,五滞后时间的河流量历史信息(属性变量)影响提前一步河流量建模。因此,结合五个场景模型(M1, M2,…, M5)体系结构构造如下: 在哪里问_(t)是目标提前一个月和河流量一步问_(t−1)、…问_(t−5)五个月之前是滞后时间。在这里,5个输入组合构造的预测矩阵SSA-ELM和榆树的预测模型。

5。应用程序的结果和分析

在过去的几十年里,大量的注意力一直集中在水文时间序列建模,尤其是河流量过程。这是由于需要一个准确和可靠的智能模型,可以实现在现实实践。提出了几个机器学习方法来预测和模拟河流量时间序列。事实上,假设水文时间序列的起源的特性转化,非线性和冗余。同时,河流量生成的潜在机制大多是不同于低收入,中期,和高速流期。换句话说,极端事件的爆发流依赖降雨事件的暴风雨。因此,开发一种新的信息资料模型以预测各种复杂流模式满意仍在过程水文工程师的任务。在本研究中,应用程序的预测每月河流量使用混合SSA-ELM模型(半干旱环境)。的确,使用单变量模型是水文专家更有挑战性,因为它是实现流域的利益缺乏计量信息。

的毁灭之路的技能进行建模进行了使用两种类型的性能指标包括善良(例如,(r)和(WI))和绝对误差的措施(例如,(RMSE)和(MAE))。这些性能指标的数学描述 在哪里和河流量的观察和预测价值,和河流的平均值,N是测试阶段的观测的数量。

SSA,人口的大小设置为50,迭代次数设置为1000。这些值被推荐,显示优越的结果适用于解决复杂优化问题时(32]。榆树,常用乙状结肠功能激活函数(44]。然而,隐藏节点的数目是系统由试验不同数量从2开始隐藏节点10步骤2的节点。

表2汇总的效率结果混合SSA-ELM模型实现基于测试数据为每个输入属性组合。结果对榆树的发表结果验证,支持向量回归(SVR)和广义回归神经网络(GRNN)进行(33),在相同的案例研究。此外,表2还列出了随机森林的结果(RF)中实现Weka流行的机器学习软件套件(45]。

实际上,当前研究的动机是提高nontuned预测模型的性能榆树通过补充进化优化算法(即自然小说。SSA)。根据调查结果,一个性能优良的低RMSE和梅和更高的值r分别和WI值,当预测目前河流量数据,观察。结果表现出明显增强预测技能使用提出SSA-ELM模型与基准相比ELM-based模型。改进的性能与SSA-ELM归功于小说的健壮性进化优化方法SSA与榆树模型。鲁棒性可能会导致内部函数为每个输入参数优化组合。

泰勒图是另一个现代图形演示的可预测性诊断通过可视化建模的错误指标观察记录。这幅图生动地总结了模型的近似精度的观测数据的效率。混合SSA-ELM和古典榆树的泰勒图如图8。每个模型的位置出现在图测量的准确性,根据观察到的河流量模型。基于图表示,SSA-ELM模型相比有更高的价值相关性榆树模型。SSA-ELM模型近似与观察和位于接近实际的记录。预测和观察河流流之间的RMSE表示是与距离成正比的观察。预测模型的标准偏差成正比的径向距离原点。

详细检查的性能SSA-ELM模型在榆树基准模型,图9提出了相对误差(RE)箱线图的形式分配指标。基于生成的图表,混合SSA-ELM执行之间的一个可接受的改进平均再保险−10 + 10%和超过80%的测试周期。最大的再保险级记录在高估+ 35%,而低估方面是记录为−25%。这是不同于经典的榆树,超过了低估−40%方面。

散点图的榆树和SSA-ELM模型给出的数字10和11,分别。随后的图形演示的决定系数值平方值。提出的混合模型进行观察和预测之间的接近理想的线值。

这是一个很好的时尚评估当前的研究结果进行比较与建立现代研究认为自然算法结合的混合进化AI-predictive模型。最近,metaheuristic技术已经显示出了广泛的应用和明显的人工智能预测模型的优化方法。这是由于灵活性等主要优点,给出一个最优的解决方案,从梯度像样的缺点和自由32]。在过去的五年里,有各种成功与AI模型与进化优化算法在水文领域。例如,结合自适应neurofuzzy系统(简称ANFIS)模型与萤火虫算法(FFA)进行建模的滚子长度水跃(46]。集成的古典多层感知器与FFA锅蒸发过程在[47]。河流量预测建立了热带环境使用ANFIS-FFA模型(48]。在同一地区的案例研究实现在这个研究中,水质指数预测模型是基于支持向量机的杂交模型与萤火虫算法(49]。之前的所有示例展示基于ai的混合模型展示了一个优秀的性能模型。本研究证明,是在和谐与新时代的混合智能模型表面水文领域的。

实际实现的最好的知识,提出了混合智能SSA-ELM模型在线学习的潜在的可能性。报道在图12,该计划展示了在线预测系统的容量,有可能被作为一个练习,洪水预警系统。在线预测系统首先获取计量信息(例如,河流流速(V)、截面面积(一个),河道流量(问使用传感器设备)。通过板球无线和数据信息传输数字化成一个逗号分隔值(CSV)格式的可读的任何软件环境。在这个阶段,学习过程基于历史记录进行使用SSA-ELM预测模型。预测模型的结果受到一个特定范围的河流量阈值。如果阈值内的预测价值,学习过程的循环重复使用新的回忆历史信息。否则,如果预测的阈值范围,通知报警系统的集成(全球移动通信系统)能够提供的信息报警为准备紧急疏散附近的平民。这个优点可以非常有助于水资源工程、河流管理和监控视角。

6。结论

在这个研究中,开发了一种新的混合智能预测模型实现回归水文问题(即。河流量预测)。一个名为樽海鞘蜂群算法的新自然优化算法(即与现代人工智能集成模型。,榆树模型)来构建一个健壮的智能预测模型。的基本概念,介绍了SSA灵感来自樽海鞘的群集行为链。发达SSA-ELM模型申请每月时间尺度河流量数据位于半干旱环境在伊拉克地区。二十年在此期间(1991 - 2010)被用来设计出版后的培训和测试阶段研究[33]。几个输入组合属性调查按照最相关的滞后时间。混合SSA-ELM模型表现出一个优秀的比较与ELM-based模型的精度水平。在数值评价,SSA-ELM模型演示了一个可接受的水平的增加对于绝对指标(分别为8.4和13.1%,RMSE美)。从另一个方面,研究结果证实,滞后时间作为输入属性是非常重要的建模预测模型的性能。总之,发达模型结果热心提出一个在线预报系统,可以应用作为一个实时监控河流工程实践。未来工作,进一步的研究可以进行基于调查的效率提出了模型通过将几个水文过程,如降雨量、湿度、风速、和其他建模目标输出河流量(50]。此外,检查时间数据的历史数据信息强烈建议投入是当前研究的一个限制。在算法层面上,该模型可以扩展,榆树网络中其他参数可以优化,这些参数包括隐藏在隐层节点的数量,转移函数和激活函数(51- - - - - -53]。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者没有利益冲突的声明。

引用

1. j . Patskoski和a . Sankarasubramanian”,减少不确定性随机水流发电和储层分级相结合观察,重建和预测流速及流水量,”随机环境研究和风险评估,32卷,不。4、1065 - 1083年,2018页。视图:出版商的网站|谷歌学术搜索
2. f . Fathian a . Fakheri-Fard t . Ouarda y Dinpashoh,和s . s . m . Nadoushani”多个流水量时间序列建模使用VAR-MGARCH方法。”随机环境研究和风险评估,32卷,不。2、407 - 425年,2019页。视图:出版商的网站|谷歌学术搜索
3. m . Azmat m . Choi t.w。金,和美国w . Liaqat水文建模模拟水流下几乎测量冰冻圈流域气候变化,“环境地球科学,卷75,不。3,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
4. k·斯塔尔,r·d·摩尔,j·m·谢伊·d·哈钦森和a . j .大炮”耦合模型的冰川和流速及流水量应对未来气候情景,“水资源研究,44卷,2008年。视图:出版商的网站|谷歌学术搜索
5. a . k . Verma m . k . Jha和r·k·Mahana”评价HEC-HMS和制造伙伴模拟流域径流利用遥感和地理信息系统,“水稻和水环境,8卷,不。2、131 - 144年,2010页。视图:出版商的网站|谷歌学术搜索
6. r . Modarres和s . s . Eslamian流速及流水量时间序列建模Zayandehrud河。”伊朗科技期刊、事务B:工程,30卷,第570 - 567页,2006年。视图:谷歌学术搜索
7. 即Masih, s . Maskey s Uhlenbrook诉Smakhtin,“评估区域降水的影响使用SWAT Model1水流模拟输入,“JAWRA美国水资源协会杂志》上卷,47号1,第195 - 179页,2011。视图:出版商的网站|谷歌学术搜索
8. k·拉赫曼c . Maringanti m . Beniston f . Widmer k . Abbaspour和a·莱曼,“流水量建模在一个高度使用斯瓦特山区冰川流域管理:罗纳河上游流域案例在瑞士,”水资源管理,27卷,不。2、323 - 339年,2013页。视图:出版商的网站|谷歌学术搜索
9. z . m . Yaseen a . El-shafie o . Jaafar h·a . Afan和k . n . Sayl”人工智能基于流量预测模型:2000 - 2015,”《水文卷,530年,第844 - 829页,2015年。视图:出版商的网站|谷歌学术搜索
10. w·胡l .严k . Liu和h . Wang“短期交通流预测方法基于混合PSO-SVR,”神经处理信件,43卷,不。1,第172 - 155页,2016。视图:出版商的网站|谷歌学术搜索
11. z . m . Yaseen o .基西人,诉Demir,“加强长期流水量预测和预测使用周期性数据组件:应用人工智能,”水资源管理,30卷,不。12日,第4151 - 4125页,2016年。视图:出版商的网站|谷歌学术搜索
12. a . Danandeh较多,e . Kahya f .阿訇和e . Deliktas“每月Successive-station流速及流水量预测使用neuro-wavelet技术,”地球科学信息,7卷,不。4、217 - 229年,2013页。视图:出版商的网站|谷歌学术搜索
13. r·c·托和m .Şahin”一个极端学习机模型模拟每月平均流速及流水量水位在昆士兰州东部,”环境监测和评估,卷188,不。2、2016。视图:出版商的网站|谷歌学术搜索
14. z . m . Yaseen s . o . Sulaiman r·c·托和K.-W。洲,”一个增强的极端学习机河流量预测模型:最先进的,实际应用在水资源工程领域和未来的研究方向,”《水文卷,569年,第408 - 387页,2019年。视图:出版商的网站|谷歌学术搜索
15. h .江董和y”小说模式基于平方根弹性网和人工神经网络预测全球太阳能辐射,”复杂性卷,2018篇文章ID 8135193, 19页,2018。视图:出版商的网站|谷歌学术搜索
16. 比比Sahoo, r . Jha a·辛格·d·库马尔,”应用程序的支持向量回归建模低流量时间序列,”KSCE土木工程杂志》上,23卷,不。2、923 - 934年,2019页。视图:出版商的网站|谷歌学术搜索
17. a . Mohanta k .智利,b . Sahoo”预测曼宁系数在蜿蜒的复合渠道,”水文,5卷,不。3 p。2018。视图:出版商的网站|谷歌学术搜索
18. 比比Sahoo, r . Jha a·辛格·d·库马尔,“长期短期记忆(LSTM)递归神经网络用于低流量水文时间序列预测,“Acta Geophysica,卷67,不。5,1471 - 1481年,2019页。视图:出版商的网站|谷歌学术搜索
19. j·l·Salmeron m . b .专题,p . r . Palos-Sanchez“复杂性预测和预测模型,复杂性卷,2019篇文章ID 8160659, 3页,2019。视图:出版商的网站|谷歌学术搜索
20. G.-B。黄徐瑞秋朱,C.-K。萧”,极端的学习机器:理论和应用程序”,Neurocomputing,卷70,不。1 - 3、489 - 501年,2006页。视图:出版商的网站|谷歌学术搜索
21. h . Siqueira l . Boccato r . Attux,莱拉,“无组织的机器为季节性河流系列预测,”国际期刊的神经系统,24卷,不。第三条ID 1430009, 2014。视图:出版商的网站|谷歌学术搜索
22. a·r·利马a . j .大炮和w·w·谢”预测每日流速及流水量使用在线连续极端的学习机器,”《水文卷,537年,第443 - 431页,2016年。视图:出版商的网站|谷歌学术搜索
23. b . Yadav, s . Ch、美国Mathur和j . Adamowski”排放预测使用在线连续极端学习机(OS-ELM)模型:一个案例研究的内卡河河,德国,”测量卷,92年,第445 - 433页,2016年。视图:出版商的网站|谷歌学术搜索
24. m . Rezaie-Balf o .基西人,“新配方预测流速及流水量:进化多项式回归和极端的学习机器,”水文研究卷,49号3、939 - 953年,2017页。视图:出版商的网站|谷歌学术搜索
25. z . m . Yaseen m·f·阿拉维a . a . Yousif o . Jaafar f . m ., a . El-Shafie,“Non-tuned机器学习方法对水文时间序列预测,“神经计算和应用,30卷,不。5,1479 - 1491年,2018页。视图:出版商的网站|谷歌学术搜索
26. a·r·利马a . j .大炮和w·w·谢“非线性回归在环境科学使用极端的学习机器:比较评价,“环境建模与软件卷,73年,第188 - 175页,2015年。视图:出版商的网站|谷歌学术搜索
27. s Heddam o .基西人,“极端的学习机器:一个新的方法建模溶解氧(做)浓度和没有水质变量预测,“环境科学与污染研究,24卷,不。20日,第16724 - 16702页,2017年。视图:出版商的网站|谷歌学术搜索
28. 美国Heddam”,使用最优裁剪极端学习机(OP-ELM)预测溶解氧浓度(做)提前几个小时:一个案例研究从Lamath河,俄勒冈州,美国,”环境过程,3卷,不。4、909 - 937年,2016页。视图:出版商的网站|谷歌学术搜索
29. z . m . Yaseen s . m . Awadh a . Sharafati和s . Shahid”互补data-intelligence河流量模型模拟,”《水文卷,567年,第190 - 180页,2018年。视图:出版商的网站|谷歌学术搜索
30. p . Mohapatra k Nath Das,罗伊,“修改竞争群优化器对于大规模优化问题,“应用软计算59卷,第362 - 340页,2017年。视图:出版商的网站|谷歌学术搜索
31. m·t·哈根和m . b . Menhaj”与马夸特算法训练前馈网络”,IEEE神经网络,5卷,不。6,989 - 993年,1994页。视图:出版商的网站|谷歌学术搜索
32. s . Mirjalili a . h . Gandomi s . z . Mirjalili s Saremi h·法里斯和s . m . Mirjalili“樽海鞘群算法:仿生优化器对于工程设计问题,“工程软件的进步卷,114年,第191 - 163页,2017年。视图:出版商的网站|谷歌学术搜索
33. z . m . Yaseen o . Jaafar r·c·托et al .,“流量预测使用极端的学习机器:一个案例研究在半干旱地区在伊拉克,”《水文卷,542年,第614 - 603页,2016年。视图:出版商的网站|谷歌学术搜索
34. g .黄G.-B。黄、美国歌曲和k .你,”趋势在极端的学习机器:审查。”神经网络卷。61年,32-48,2015页。视图:出版商的网站|谷歌学术搜索
35. h . Sanikhani r·c·托z . m . Yaseen o . Eray o .基西人,“Non-tuned数据智能土壤温度估计模型:一个新的方法,”Geoderma卷。330年,52 - 64年,2018页。视图:出版商的网站|谷歌学术搜索
36. m . Eshtay h·法里斯,n .默,“提高极端学习机竞争群优化及其应用为医学诊断的问题,“专家系统与应用程序卷,104年,第152 - 134页,2018年。视图:出版商的网站|谷歌学术搜索
37. n·安·m·Abdellatif m . Ezeelden s . s .阿里和s . Knutsson“气候变化和未来的降雨在伊拉克东北部,长期趋势”土木工程和建筑杂志》上,8卷,不。6,790 - 805年,2014页。视图:出版商的网站|谷歌学术搜索
38. d . Bozkurt欧森,美国哈格曼”预计在幼发拉底河-底格里斯河流域河道流量从水文放电模型迫使RCM和GCM输出,“气候研究,卷62,不。2、131 - 147年,2015页。视图:出版商的网站|谷歌学术搜索
39. n .安a·a·阿里和s . Knutsson“水资源现状和未来的挑战在伊拉克问题,“《水资源和保护》第六卷,没有。12日,第1098 - 1066页,2014年。视图:出版商的网站|谷歌学术搜索
40. s . a .萨尔曼·s . Shahid t·伊斯梅尔nba拉赫曼x Wang和E.-S。钟,“单向趋势在日常极端降雨伊拉克,”理论和应用气候学,卷134,不。3 - 4、1165 - 1177年,2018页。视图:出版商的网站|谷歌学术搜索
41. d·k·萨利赫流计描述和流速及流水量统计网站的底格里斯河和幼发拉底河流域,伊拉克,美国内政部,美国地质调查局,莱斯顿,弗吉尼亚州,美国,2010年。
42. k . p . Sudheer a . k . Gosain d .是因为Mohana Rangan和s . m . Saheb”造型蒸发使用人工神经网络算法,”水文过程,16卷,不。16,3189 - 3202年,2002页。视图:出版商的网站|谷歌学术搜索
43. O。基西人,”与Levenberg-Marquardt训练多层感知器算法悬浮泥沙浓度进行预测和评估,”水文科学杂志49卷,第1040 - 1025页,2004年。视图:出版商的网站|谷歌学术搜索
44. a . a . h . Alwanas a . a . Al-Musawi h·道,萨利赫树群m·阿里和z . m . Yaseen”承载力和模式失败模拟梁柱节点连接:自调优应用机器学习模型,”工程结构卷,194年,第229 - 220页,2019年。视图:出版商的网站|谷歌学术搜索
45. m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann和i . h .威滕“WEKA数据挖掘软件,”ACM SIGKDD探索通讯,11卷,不。1,p。2009。视图:出版商的网站|谷歌学术搜索
46. h·阿兹米h . Bonakdari i Ebtehaj, d·g·迈克尔逊”联合自适应神经模糊推理system-firefly算法模型预测的滚子长度液压粗糙通道床上跳,”神经计算和应用卷,29号6,249 - 258年,2016页。视图:出版商的网站|谷歌学术搜索
47. m·a·Ghorbani r·c·托诉Karimi) z . m . Yaseen和o . Terzi,“实现混合MLP-FFA水位预测模型Egirdir湖,土耳其,”随机环境研究和风险评估,32卷,不。6,1683 - 1697年,2017页。视图:出版商的网站|谷歌学术搜索
48. z . m . Yaseen Ebtehaj, h . Bonakdari et al .,”新方法使用混合ANFIS-FFA流速及流水量预测模型,”《水文卷,554年,第276 - 263页,2017年。视图:出版商的网站|谷歌学术搜索
49. h . j . Li阿里,a, s·哈桑et al .,“混合软计算方法确定水质指标:幼发拉底河,”神经计算和应用没有,卷。31日。3、827 - 837年,2017页。视图:出版商的网站|谷歌学术搜索
50. l .迪奥普a . Bodian k Djaman et al .,“气候输入对河川径流的影响模式预测:塞内加尔上游的案例研究,“环境地球科学,卷77,不。5,182年,页2018。视图:出版商的网站|谷歌学术搜索
51. 问:萨利赫和a . a . Alsewari”使用multi-swarm粒子群方法解决大规模问题。”国际工程与技术杂志》上,7卷,不。3、1725 - 1729年,2018页。视图:出版商的网站|谷歌学术搜索
52. 问:萨利赫和A . A . Alsewari“正常和大规模优化问题的新算法:游牧民族优化器,”神经计算和应用2019年,28页。。视图:出版商的网站|谷歌学术搜索
53. h·a·Abdulwahab a . Noraziah a . a . Alsewari萨利赫树群,”一个增强版的黑洞算法通过征收航班优化和数据聚类问题,“IEEE访问7卷,第142096 - 142085页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020查希尔Mundher Yaseen等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。