Multi-layer perceptrons with Levenberg-Marquardt training algorithm for suspended sediment concentration prediction and estimation

摘要

Des perceptrons multi-couches (PMC) sont testés pour la prévision et l'estimation de la concentration en matières en suspension. L'algorithme d'apprentissage de PMC le plus rapide, l'algorithme de Levenberg-Marquardt, est utilisé pour optimiser les poids du réseau, avec les données de deux stations de la Rivière Tongue dans le Montana, aux Etats-Unis. La première partie de l'étude traite de la prévision et de l'estimation des données sédimentaires en abordant séparément les stations amont et aval, tandis que la deuxième partie porte sur l'estimation des données de matières en suspension à l'aval à partir des données des deux stations. Dans chaque cas, les résultats de test des PMC sont comparés aux résultats obtenus avec des réseaux de neurones de régression généralisée (RNRG), des réseaux à fonctions de base radiale (RBR) et des régressions multi-linéaires (RML) pour les meilleures combinaisons de données d'entrée. Ces comparaisons montrent que les estimations de la concentration en matières en suspension sont en général meilleures avec le PMC qu'avec les autres techniques de réseau de neurones et qu'avec la méthode statistique conventionnelle (RML). Cependant, le RBR est apparu meilleur que le PMC et que les autres techniques pour l'estimation du pic maximum de transport solide. Les résultats indiquent également que le RBR et le RNRG peuvent présenter de meilleures performances que le PMC pour l'estimation de la charge solide totale.%The prediction and estimation of suspended sediment concentration are investigated by using multi-layer perceptrons (MLP). The fastest MLP training algorithm, that is the Levenberg-Marquardt algorithm, is used for optimization of the network weights for data from two stations on the Tongue River in Montana, USA. The first part of the study deals with prediction and estimation of upstream and downstream station sediment data, separately, and the second part focuses on the estimation of downstream suspended sediment data by using data from both stations. In each case, the MLP test results are compared to those of generalized regression neural networks (GRNN), radial basis function (RBF) and multi-linear regression (MLR) for the best-input combinations. Based on the comparisons, it was found that the MLP generally gives better suspended sediment concentration estimates than the other neural network techniques and the conventional statistical method (MLR). However, for the estimation of maximum sediment peak, the RBF was mostly found to be better than the MLP and the other techniques. The results also indicate that the RBF and GRNN may provide better performance than the MLP in the estimation of the total sediment load.