کاربست تحلیل مولفه اصلی برای داده‌های هواشناختی در انتخاب ورودی شبکه عصبی مصنوعی
نویسندگان
چکیده مقاله:
«انتخاب ورودی» صحیح، هوشمند و متناسب با هدف به‌کمک روش مناسب، اولین گام در طراحی شبکه عصبی مصنوعی (Artificial Neural Network) با نماد ANNبه‌منظور پیش‌بینی است. دو رهیافت به‌منظور انتخاب داده‌های ورودی مناسب وجود دارد؛ در رهیافت اول سری زمانی پراسنج (پارامتر) موردنظر، یعنی هدف ANN، در سال‌های گذشته و در رهیافت دوم پراسنج‌هایی که با هدف رابطه خطی یا غیرخطی دارند، مورد استفاده قرار می‌گیرند. در اثنای فرایند انتخاب ورودی برمبنای رهیافت دوم، به علت حجم زیاد داده ورودی، خطاهای اندازه‌گیری، حضور داده‌های غیرمعمول و همبستگی بین متغیرهای ورودی، خطا افزایش و دقت پیش‌بینی کاهش می‌یابد. در اکثر موارد به علت فقدان اطلاعات دقیق مربوط به جزئیات داده به‌ناچار از روش سعی و خطا برای انتخاب ترکیب مناسبی از داده‌های ورودی و حذف داده‌های غیرمعمول استفاده می‌شود. در پژوهش حاضر، به‌منظور اجتناب از کاربرد روش سعی و خطا از تحلیل مولفه اصلی برای تعیین اطلاعات دقیق مربوط به جزئیات داده استفاده شده است. تحلیل مولفه اصلی توانایی‌های متعددی از جمله؛ کاهش ابعاد داده، استخراج مُدهای تغییرپذیری متغیرهای ورودی، از بین بردن همبستگی بین داده‌های خام و حذف داده‌های غیرمعمول دارد. در پژوهش حاضر، پراسنج‌های هواشناختی مرتبط با دما، به‌منظور تعیین داده‌های ورودی مناسب برای پیش‌بینی میانگین دمای روزانه سال 2009 در ایستگاه همدیدی شهرستان یزد در یک دوره آماری 29 ساله (1980 تا 2008) مورد بررسی قرار گرفته‌اند. سپس با کاربست تحلیل مولفه اصلی، ضمن حذف همبستگی بین متغیرهای ورودی، داده‌های غیرمعمول شناسایی و حذف می‌شوند. درنهایت با بررسی مدهای تغییرپذیری هریک از پراسنج‌ها و مقایسه آنها با هدف ANNداده‌های ورودی مناسب انتخاب می‌شود. نتایج نشان می‌دهد که با استفاده از توانایی‌های متعدد تحلیل مولفه اصلی می‌توان انتخاب ورودی صحیح، هوشمند و متناسب با هدف ANNرا بدون استفاده از روش سعی و خطا عملی ساخت.
منابع مشابه
انتخاب الگوریتم بهینه شبکه عصبی مصنوعی برای تحلیل روسازی صلب را هها
پیش بینی پاسخ روسازیها بر پایه برنامه های بسیار پیشرفته اجزاء محدود، فرصتهای بیشماری را برای ترکیبات پیچیده تحلیل در مهندسی روسازی فراهم کرده است، با این وجود می توان زمان قابل توجه موردنیاز برای انجام تحلیل این مدلها را با کاربرد مدلهای تحلیلی شبکه عصبی مصنوعی حذف کرد. شبک ههای عصبی مصنوعی از لحاظ عملکرد، مدلهای بسیار کارآیی هستند که سرعت محاسباتی آنها کاملاً مستقل از پیچیدگی ریاضیاتی الگوریتم ...
متن کاملاستفاده از تحلیل مولفه اصلی برای تعیین ورودی‌های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان
مدیریت نزولات جوی و استفاده بهینه از این منابع کمک شایانی به مدیریت منابع آب میکند و همچنین در مدیریت منابع آب تخمین پارامتر هیدرولوژیکی نقش اساسی دارند. در این تحقیق تخمین بارش سه ایستگاه سینوپتیک آستارا، لاهیجان و جیرنده واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیان (SVM) انجام گرفته است. از روش تحلیل مؤلفه اصلی (PCA) برای پیش پردازش داده ها و تعیین داده ها...
متن کاملاستفاده از روش تحلیل مولفه‌های اصلی برای افزایش صحت پیش‌بینی سندرم متابولیک در مدلهای شبکه عصبی مصنوعی و رگرسیون لجستیک
زمینه و هدف: در فرآیند مدل‌سازی، زمانی‌که بین متغیرهای کمکی همبستگی‌های نسبتا قوی وجود داشته باشد، هم‌خطی‌چندگانه ایجاد شده و باعث کاهش کارآیی مدل می‌گردد. هدف از این مطالعه استفاده از تحلیل مولفه‌های اصلی برای تعدیل اثر هم‌خطی‌چندگانه در مدلهای رگرسیون لجستیک و شبکه عصبی مصنوعی و بررسی تاثیر آن بر صحت و دقت پیش‌بینی سندرم متابولیک بود. روش بررسی: در این مطالعه توصیفی – تحلیلی تعداد 347 نفر از...
متن کاملانتخاب الگوریتم بهینه شبکه عصبی مصنوعی برای تحلیل روسازی صلب را هها
پیش بینی پاسخ روسازیها بر پایه برنامه های بسیار پیشرفته اجزاء محدود، فرصتهای بیشماری را برای ترکیبات پیچیده تحلیل در مهندسی روسازی فراهم کرده است، با این وجود می توان زمان قابل توجه موردنیاز برای انجام تحلیل این مدلها را با کاربرد مدلهای تحلیلی شبکه عصبی مصنوعی حذف کرد. شبک ههای عصبی مصنوعی از لحاظ عملکرد، مدلهای بسیار کارآیی هستند که سرعت محاسباتی آنها کاملاً مستقل از پیچیدگی ریاضیاتی الگوریتم ...
متن کاملاستفاده از روش تحلیل مولفه های اصلی برای افزایش صحت پیش بینی سندرم متابولیک در مدل های شبکه عصبی مصنوعی و رگرسیون لجستیک
زمینه و هدف: در فرآیند مدل سازی، زمانی که بین متغیرهای کمکی همبستگی های نسبتا قوی وجود داشته باشد، هم خطی چندگانه ایجاد شده و باعث کاهش کارآیی مدل می گردد. هدف از این مطالعه استفاده از تحلیل مولفه های اصلی برای تعدیل اثر هم خطی چندگانه در مدل های رگرسیون لجستیک و شبکه عصبی مصنوعی و بررسی تاثیر آن بر صحت و دقت پیش بینی سندرم متابولیک بود. روش بررسی: در این مطالعه توصیفی – تحلیلی تعداد 347 نفر از...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 9 شماره 1
صفحات -
تاریخ انتشار 2015-04-01
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023