@article { author = {Ahmadvand, Homayoon and Najarpoor, MohamadAli}, title = {The Composition of Wavelet Transforms and Neural Network in Predicting of Surface Flow in the Strait of Hormuz}, journal = {Hydrophysics}, volume = {2}, number = {1}, pages = {47-59}, year = {2016}, publisher = {Malek Ashtar university of technology}, issn = {2476-7131}, eissn = {2476-7468}, doi = {}, abstract = {In the ocean, surface flow has an important role in heat transfer and climate change. The Sea flow prediction is of great importance in oceanography. In this study, neural network and wavelet techniques were used to predict the Strait of Hormuz surface flows. The data recorded in this area from November 1992 to December 2014 with time interval of 5 days prepared from NASA and Decomposed up to 10 sub-series using wavelet mother transform such as Rbio, Coif, Bior, dmey, Db, Sym, haar and then were used as input of  neural network model. By applying wavelet and neural network weighting coefficients of each of the wavelet transformations were determined. Results showed that the wavelet generated by coif (5) has the most accurate prediction. In order to evaluate the effectiveness of favorable results in the training, validation and testing, multi-layer network with a number of different neurons in the hidden layer was used. The results show that the 6 subseries wavelet d1, d2, ..., d6 with R=0.891 and RMSE =0.025 in the test is the most appropriate number to predict the surface flow in the Strait of Hormuz.}, keywords = {surface flow,Strait of Hormuz,Artificial neural network,wavelet transforms}, title_fa = {بررسی ترکیب تبدیل های موجک و شبکه عصبی در پیش بینی جریان های سطحی تنگه هرمز}, abstract_fa = {جریان‌های سطحی اقیانوسی، نقش مهمی در انتقال گرما و تغییرات آب و هوایی دارد. ازاین‌رو، پیش‌بینی جریان‌های دریایی از اهمیت بسزایی در اقیانوس‌شناسی برخوردار است. در این پژوهش با به‌کارگیری شبکه‌‌عصبی و تکنیک تبدیل موجک به پیش‌بینی جریان‌های سطحی تنگه‌هرمز پرداخته شده است. بدین منظور داده‌های ثبت‌شده این حوزه از نوامبر سال 1992 تا دسامبر سال 2014 با گام زمانی 5 روزه از سایت ناسا تهیه و با به‌کارگیری تبدیل‌های موجک به زیر‌موجک‌های مادر Rbio، Coif، Bior، dmey، Db، Sym، haar به 10 زیرسری تجزیه و به‌عنوان ورودی مدل شبکه عصبی به‌کار گرفته شد. سپس با اجرای مدل شبکه عصبی ضرایب وزنی هر یک از زیر موجک‌ها تعیین شد. نتایج این بررسی نشان داد که زیر موجک‌های تولیدشده به‌وسیله موجک coif(5) کمترین خطا در پیش‌بینی جریانات سطحی را دارد. به‌منظور ارزیابی میزان اثربخشی هر یک از این زیر موجک‌ها‌ و دستیابی به  نتایج مطلوب در مراحل آموزش، اعتبارسنجی و آزمایش، شبکه‌های چندلایه با تعداد نورون مختلف در لایه پنهان استفاده شد که نتایج نشان داد؛ انتخاب 6 زیر موجک d1, d2 , …, d6 با مقدار خطا R=0/891 و 0/025 =RMSE در مرحله آزمایش مناسب‌ترین تعداد را در پیش‌بینی جریانات سطحی تنگه‌هرمز دارد. }, keywords_fa = {جریان سطحی,تنگه هرمز,شبکه عصبی,تبدیل های موجک}, url = {https://www.hydrophysics.ir/article_24501.html}, eprint = {https://www.hydrophysics.ir/article_24501_5a46e02ff61134d29806ffc6a2154651.pdf} }