مقاله مقایسه کارآیی مدل های تلفیقی NN-ARXو ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان

word قابل ویرایش
22 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مقایسه کارآیی مدل های تلفیقی NN-ARXو ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان
چکیده
امروزه تخمین صحیح تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژی ، نقش مهمی را در توسعه پایدار و مدیریت بهینه منابع آب کشورهای مواجه با بحران آب می تواند ایفاء کند. تاکنون روش ها و فرمول های تجربی فراوانی در زمینه برآورد فرایند غیر خطی و پیچیده تبخیر روزانه از تشت ارائه شده که با عدم قطعیت می باشد و از دقت بالایی برخوردار نبوده و همچنین دسترسی به تمام پارامترهای ورودی آنها مشکل و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشند. در این تحقیق کارایی دو مدل غیر خطی NN-ARX و ANFIS جهت برآورد تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم (ایرانشهر)، خشک و گرم ساحلی (چابهار) و اقلیم نیمه خشک و معتدل گرم (سراوان ) مورد ارزیابی قرار گرفته است . از بین پنج پارامتر ورودی شامل سرعت باد، درجه حرارت ، رطوبت نسبی ، فشار و ساعات آفتابی در دوره ۵ ساله از ابتدای مهر ١٣٨۴ تا انتهای اسفند ١٣٨٩، بهترین ترکیب ورودی مدل با استفاده از الگوریتم ژنتیک آزمون گاما (GA-GT) برای هر یک از ایستگاههای سینوپتیک واقع در این مناطق انتخاب گردید.
سپس با استفاده از مدل های NN-ARX و ANFIS، تبخیرروزانهازتشت برآورد شد. با بکارگیری معیارهای آماری شامل R٢،RMSE و MAE، کارایی مدل ANFIS با ٣ تابع عضویت نوع گوسی و مدل NN-ARX برای هر یک از ایستگاه های سینوپتیک منتخب ارزیابی گردید. نتایج حاصله نشان می دهد که دقت مدل ANFIS نسبت به مدل NN-ARX در برآورد تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان مورد بررسی بیشتر است .
واژه های کلیدی : تبخیر از تشت ، شبکه های عصبی مصنوعی ، شبکه های عصبی فازی ، الگوریتم ژنتیک ، آزمون گاما، اقلیم خشک و گرم

مقدمه
یکی از عوامل محیطی بسیار مهم در هر منطقه تلفات سالانه میلیون ها مترمکعب آب به صورت تبخیر از خاک و سطح مخازن آب بوده ، که می تواند تأثیر بسزایی بر درآمد کشاورزان داشته باشد. در مناطقی با تابش خورشیدی و کمبود فشار بخار اشباع بالا، مقدار قابل توجهی از کل آب ذخیره شده ، به صورت تبخیر از دست می رود که منجر به تقلیل بازده مصرف آب می شود (١٠و ١١). از سویی اتلاف میلیون ها مترمکعب آب جمع آوری شده با هزینه زیاد در سال ازمخازن سدها بصورت تبخیر باعث تجمع املاح و نمک ها در مخازن و کاهش کیفیت آب مخازن آب شیرین می شود (۴). براساس آمارهای موجود، از حجم حدود ۴٠ میلیارد مترمکعبی مخازن آبی کشورمان ، سالانه یک میلیارد متر مکعب تبخیر می شود (٢٩). لذا با توجه به محدودیت منابع آب در برخی از مناطق خشک و نیمه خشک کشور ایران تخمین درست پارامتر تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژی ، می تواند نقش مهمی در برنامه ریزی دست اندرکاران برای جلوگیری از هدر رفت آب از طریق تبخیر، کیفیت آب موجود، توسعه پایدار و مدیریت بهینه منابع آب ایفاء کند. در این راستا، اهمیت پارامتر تبخیر در مناطقی همچون استان سیستان و بلوچستان در ایران که دارای اقلیم خشک و نیمه خشک بوده و مشکل کم آبی نیز وجود دارد، دو چندان می گردد. بررسی اقلیمی این ناحیه نشان می دهد که بطور طبیعی استعداد زیادی برای تبخیر در این منطقه وجود دارد. بالا بودن درجه حرارت و وزش باد، به همراه پایین بودن رطوبت نسبی ، تبخیر آب را نسبت به سایر مناطق افزایش می دهد. متوسط سالیانه تبخیر در ایران تقریبا ١٨٠٠ میلی متر معادل ٧١ درصد بارندگی متوسط سالیانه برآورد گردیده است . مقادیر ارائه شده شاهد براین ادعاست که تبخیر پارامتر مؤثری در مدیریت کمی و کیفی و بیلان های منابع آب منطقه ای در ایران است (١٧ و ٢٩).
بطور کلی مدل های هیدرولوژیکی از جمله مدل های تبخیر موجود نیازمند پارامترهای ورودی فراوان هستند که دسترسی به آنها مشکل است و یا اندازه گیری آن ها زمان بر و محتاج صرف هزینه زیادی می باشد، و از سویی واسنجی شان نیز بسیار وقت گیر بوده که کمتر مورد توجه قرار می گیرند. در دهه های اخیر برای حل مشکلات مربوط به کاربرد مدل های هیدرولیکی و هیدرولوژیکی ، مدل های هوش مصنوعی نظیر شبکه عصبی مصنوعی که یک مدل محاسباتی بوده و بر اساس سیستم عصبی مغز انسان در فرآیند یادگیری طراحی شده در مطالعات منابع آب و برای پیش بینی ها توسط محققین مختلف مورد استفاده قرار گرفته است . امروزه این مدل ها بطور فزاینده ای مورد توجه قرار گرفته اند. علت این استقبال از هوش مصنوعی را می توان قدرت شبیه سازی این نوع مدل در فرآیندهای که تعریف دقیق و درک خاصی از آنها وجود ندارد و حساسیت کمتر آن نسبت به وجود خطا در ورودی ها دانست . به بیان دیگر، این مدل ها می توانند با حداقل پارامترهای اندازه گیری شده و با دقت قابل قبولی تغییرات متغیر مورد نظر را پیش بینی نمایند. جذابیت مدل های هوش مصنوعی بخاطر توانایی آن ها در حل مسائل غیرخطی ، حجیم و دارای خطا می باشد.
همچنین این مدل ها توانایی یادگیری حل مسائل فازی و تشخیص الگوها را نیز دارا می باشند (١، ٣، ۴، ۶، ٧، ١۴، ١٧، ١٨، ١٩، ٢١، ٢٢، ٢٣، ٢۵، ٢٧ و ٢٩).
در زمینه کاربرد هوش مصنوعی برای تخمین تبخیر از تشت تحقیقات فراوانی انجام شده است که به تعدادی از آن ها اشاره می شود. شیرسات و سینگه (٢١) مدل های کاربرد شبکه عصبی مصنوعی ، رگرسیون آماری و چند مدل اقلیمی را جهت پیش بینی تبخیر روزانه از تشت با آب و هوای نیمه خشک در دهلی نو هند با استفاده از داده های روزانه شامل متغیر دمای ماکزیمم هوا، دمای مینیمم هوا، رطوبت نسبی ، ساعات آفتابی و سرعت باد در یک دوره چهار ساله (٢٠٠٧-٢٠٠۴) بررسی کردند. نتایج حاصل نشان داد که مدل ANN در مقایسه با سایر روش ها عملکرد بهتری برای تخمین مقدار تبخیر روزانه از تشت داشته است . ژئول (٩) تحقیقی برای نشان دادن امکان و قابلیت های مدل سازی بر پایه ANNبه منظور پیش بینی تبخیر از یک مخزن در حالتی که معادلات کلاسیک و تجربی نتوانسته اند تبخیر را به طور دقیق پیش بینی کنند، انجام داد. یک دسته داده های هواشناسی شامل تبخیر سطحی روزانه ، دما، تشعشع خورشیدی ، رطوبت نسبی و سرعت باد در این مطالعه استفاده شده است . ترکیب های مختلفی از پارامترها به عنوان ورودی اعمال می شود و به ازای آن عملکرد پس انتشار پیشرو١ در ANN با بازگشت خطی بر اساس پارامترهای عملکرد (R٢و RMSE) مقایسه می نمود. مقایسه نتایج نشان می دهد که وقتی برای ساخت و آزمایش مدل ، پارامترهای ورودی بیشتر در نظر گرفته می شوند، در مقایسه با حالت تک پارامتری هم خوانی بهتری مشاهده می شود. این مطالعه نشان می دهد که مدل سازی پس انتشار پیشرو بر پایه ANN می تواند به عنوان یک رویکرد جایگزین و کارآ برای تخمین تبخیر روزانه از مخازن اعمال گردد. سانگ وان و هونگ کی (٢٨) شبکه عصبی مصنوعی را برای تخمین میزان تبخیر از تشت در مناطق روستایی کره جنوبی شامل داده های روزانه ماکزیمم ، میانگین ومینیمم دما، رطوبت نسبی مینیمم و میانگین ، دمای نقطه شبنم ، سرعت باد ماکزیمم و میانگین ، ساعات آفتابی و تبخیر از تشت در یک بازه آماری ٣ ساله در مناطق مختلف استفاده کردند. نتایج تحقیق بیانگر توانایی بالای شبکه های عصبی مصنوعی در پیش بینی میزان تبخیر از تشت دارد. کیسی (١٢) دو روش شبکه های عصبی مصنوعی و منطق فازی را برای تخمین میزان تبخیر روزانه از تشت بکار گرفت . داده های مورد استفاده شامل درجه حرارت ، تشعشعات خورشیدی ، رطوبت نسبی ، سرعت باد و فشار هوا جهت ورودی و میزان تبخیر روزانه از تشت خروجی مدل ها بوده – است . بررسی فوق نشان داد که روش منطق فازی نسبت به شبکه های عصبی مصنوعی نتایج بهتری ارائه می دهند. گرچه نتایج استخراجی از شبکه های عصبی مصنوعی نیز رضایت بخش بوده و خطایی برابر ٠.١٧ میلی متر در روز داشته است . کسکین و ترزی (١١) شبکه های عصبی مصنوعی را برای محاسبه میزان تبخیر روزانه از تشت در دریاچه اجیردیر ترکیه بکار بردند. متغیرهای مورد استفاده در مدل شامل دمای هوا، دمای آب ، رطوبت نسبی ، تابش خورشیدی ، سرعت باد و فشار هوا می باشند. نتایج پژوهش نشان داد که در منطقه مورد مطالعه اثر سرعت باد و رطوبت نسبی قابل صرف نظر کردن است . سودهیر و همکاران (٢٢) با استفاده از مدل شبکه های عصبی مصنوعی به پیش بینی و تخمین میزان تبخیر از تشت در کشور هند اقدام نمودند. در این پژوهش از داده های ورودی شامل دمای هوا، رطوبت نسبی ، سرعت باد و ساعات آفتابی در بازه آماری (١٩٩۴- ١٩٩٠) استفاده گردید. نتایج حاصل نشان داد که مدل شبکه عصبی مصنوعی در مقایسه با مدل های تجربی توانمندتر است . بر اساس این تحقیق لحاظ کردن کلیه پارامترها در ورودی مدل عملکرد بهتری دارد. برتن و همکاران (٨) شبکه های عصبی مصنوعی برای پیش بینی میزان تبخیر روزانه از تشت استفاده کردند. در این پژوهش داده های ورودی مدل شامل درجه حرارت ، بارندگی ، رطوبت نسبی ، تشعشات خورشیدی و سرعت باد بوده و داده خروجی مدل میزان تبخیر از تشت می باشد. نتایج حاصل از تحقیق فوق نشان داد که روش شبکه عصبی مصنوعی در مقایسه با روش های دیگر دارای کمترین خطا که برابر ١.١١ میلی متر در روز بوده است . پیری و همکاران (١٧) از مدل شبکه عصبی مصنوعی برای تخمین میزان تبخیر از مخازن آب چاه نیمه – های سیستان با اقلیم گرم و خشک واقع در جنوب شرق ایران استفاده کردند. داده های روزانه ورودی به مدل شامل دمای هوا، سرعت باد، کمبود فشار بخار اشباع و رطوبت نسبی و داده خروجی مدل میزان تبخیر روزانه از تشت در بازه آماری (٢٠٠۶-١٩٩۵) مورد استفاده قرار گرفت . بر اساس نتایج این تحقیق روش شبکه های عصبی مصنوعی نسبت به مدل های تجربی عملکرد بهتری داشته است . همچنین داده های سرعت باد، کمبود فشار بخار اشباع و رطوبت نسبی به عنوان داده های ورودی به مدل بر میزان تبخیر روزانه از تشت موثرتر می – باشند. رحیمی خوب (١٨) از شبکه های عصبی مصنوعی برای پیش بینی میزان تبخیر روزانه از تشت در منطقه نیمه خشک صفی آباد دزفول در دشت خوزستان واقع در جنوب غرب ایران در بازه زمانی (٢٠٠٣- ١٩٩۶) استفاده کردند. بر اساس این تحقیق نتایج حاصل نشان دهنده عملکرد رضایت بخش مدل شبکه های عصبی مصنوعی بوده است . مقدم نیا و همکاران (١۴) با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی -عصبی جهت برآورد تبخیر روزانه از مخازن چاه نیمه های سیستان اقدام کردند. در تحقیق فوق برای انتخاب ترکیب مناسب ورودی مدل ها از تکنیک آزمون گاما١ (GT)
استفاده شده بطوری که پارامترهای کمبود فشار بخار، رطوبت نسبی و سرعت باد به عنوان ورودی های بهینه برای مدل های ANN و ANFIS معرفی شده اند. همچنین نتایج نشان داد که خروجی مدل های ANN در مقایسه با ANFISجهت پیش بینی تبخیر دقیق – تر است . پیری و همکاران (١) با استفاده از شبکه عصبی مصنوعی به تخمین تبخیر روزانه از تشت تبخیر در ایستگاه گنبد اقدام نمودند. در تحقیق فوق با استفاده از آمار روزانه هواشناسی ایستگاه گنبد به آموزش مدل های ANN با ساختار پرسپترون چند لایه و الگوریتم پس انتشار٢ (BP) خطا پرداخته می شود. پارامترهای درجه حرارت هوا، رطوبت نسبی ، سرعت باد و ساعات آفتابی به عنوان ورودی های شبکه و تبخیر روزانه از تشت تبخیر بعنوان خروجی شبکه در نظر گرفته می شود. بمنظور بررسی تأثیر پارامترهای ورودی در تخمین تبخیر از آنالیز حساسیت استفاده شد. نتایج نشان داد که پارامترهای دما و سرعت باد بترتیب بیشترین و کمترین تاثیر را در تخمین مقدار تبخیر از تشت دارا می باشد. همچنین از ANN می توان با دقت مناسبی در تخمین میزان تبخیر روزانه از تشت تبخیر استفاده نمود.
کانسکر در سال (١٩٩٧) روش GT را به عنوان ابزاری برای تجزیه و تحلیل مدل سازی غیرخطی معرفی کرد. همچنین در سال های اخیر برای کاهش مراحل سعی و خطا٣ در مدل سازی های هوشمند و غیر خطی و انتخاب ترکیب بهینه و مناسبی از انواع پارامترهای ورودی و خروجی به مدل های هوش مصنوعی و غیر خطی بکار می رود. همچنین یک ابزار توسعه یافته برای تخمین میانگین مربعات خطای حاصل از مدل سازی پدیده های مختلف با استفاده از مجموعه داده های مشاهداتی از آن پدیده است (٢٠). مقدم نیا و همکاران (١۵) روش GT جهت پیش پردازش پارامترهای ورودی موثر بر تابش خورشیدی بکار بردند. آن ها ارزیابی شبکه های مختلف عصبی مصنوعی نظیر LLR،MLP ،ELMAN ،NNAR و ANFIS با بکارگیری نتایج حاصل از شیوه GT و معیارهای مختلف آماری انجام دادند. قبائی سوق و همکاران (٢) مدل سازی هوشمند تابش خورشیدی با استفاده از آزمون گاما و مقایسه با معادلات تجربی واسنجی شده در کرمانشاه طی دوره آماری ١٩٩٢ الی ٢٠٠١ انجام دادند. آن ها ارزیابی شبکه های مختلف عصبی مصنوعی نظیر(ANN)LM،ANN)SCG( و LLR نسبت به معادلات تجربی واسنجی شده با بکارگیری نتایج حاصل از GT و معیارهای مختلف آماری انجام دادند. نتایج حاصل برتری مدل سازی هوشمند را نشان داد.
در تحقیق حاضر، دو مدل شبکه عصبی خودرگرسیونی با ورودی برنزا۴ (NNARX) و عصبی -فازی که با گزینه بهینه سازی مدل گاما تست در محیط نرم افزار MATLAB تلفیق شده ، جهت برآورد تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم توسعه داده شده است .
هدف اصلی این مقاله ، استفاده از تکنیک گاما تست (GT) مبتنی بر الگوریتم ژنتیک ۵ (GA) و انتخاب بهترین ترکیب ورودی به مدل های NNARX و ANFIS جهت پیش بینی تغییرات پارامترهای دما، سرعت باد، رطوبت نسبی ، فشار، ساعات آفتابی و همچنین ارزیابی کارایی مدل های فوق در سه ایستگاه سینوپتیک ایرانشهر، چابهار و سراوان که با اقلیم های خشک و گرم (ایرانشهر)، اقلیم خشک و گرم ساحلی (چابهار) و اقلیم نیمه خشک و معتدل گرم (سراوان ) می باشد، مورد بررسی قرار گرفته است . تا بتوان از آن به منظور آنالیز سریع تبخیر در این سه ایستگاه استفاده نمود.
مواد و روش ها
مبانی نظری تحقیق
همانطوری که اشاره شد، فرآیند تبخیر از جمله پارامترهای مهم در چرخه هیدرولوژی و مهندسی منابع آب است . پدیده تبخیر را می توان به صورت یک فرآیند اتفاقی غیر خطی و پیچیده و غیر ساکن ١ (پویا) در نظر گرفت . به دلیل تاثیر متقابل پارامترهای مختلف هواشناسی در محاسبه تبخیر، روابطی غیرخطی برای تخمین مقدار آن وجود دارد که معمولا” از دقت بالایی برخوردار نیستند. لذا در دهه های اخیر کاربرد شیوه های هوش مصنوعی از جمله شبکه های عصبی مصنوعی و سیستم عصبی –فازی برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها مورد توجه محققان قرار گرفته و در حال توسعه می باشد. از آنجا که ساختارهایی نظیر شبکه عصبی مصنوعی از قدرت نگاشت غیرخطی برخوردارند و همچنین دارای خصوصیت یادگیری هستند، بنابراین با استفاده از این ساختارها می توان از آنها برای مدل سازی استفاده کرد. بنابراین در تحقیق حاضر، ابتدا دو مدل شبکه عصبی مصنوعی پویا و عصبی -فازی که با گزینه بهینه سازی الگوریتم ژنتیک مدل گاما تست تلفیق گردید. سپس این مدل به منظور انتخاب ورودی های بهینه و مناسب جهت برآورد تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم توسعه داده شده و در نهایت نتایج حاصل مورد مقایسه قرار گرفته است . ساختار هریک از این مدل ها در ادامه تشریح شده است .
مدل شبکه عصبی – خودرگرسیونی با ورودی برونزا (NN-ARX)
در بحث شناسائی سیستم ، مدل های آماری قوی برای مدل سازی فرآیندهای اتفاقی و سری های زمانی وجود دارد.به طور کلی مدل های پویا در بررسی های کوتاه مدت ، دقیق تر از مدل های ساکن ٢ پاسخ می دهد (١١). شبکه های پویا دارای یک بخش خطی خودرگرسیونی (ARX) و یک بخش غیرخطی شبکه عصبی پیشخور انتشار برگشتی (ANN) است . مدل ARXیکی از ساختارهایی است که در بحث شناسایی سیستم کاربرد زیادی دارد (١).
در این مطالعه ، درجه حرارت (T)، سرعت باد (W)، کمبود فشار بخاراشباع (Ed) و درصد رطوبت نسبی (RH)به عنوان ورودی به مدل وارد می شود و تبخیربه عنوان خروجی است . بدین صورت فضای مشاهدات Zn جهت مدل سازی آماده می شود. داده ها به دو دسته داده های یادگیری ٣و داده های آزمایش ۴تقسیم میشوند (٢٣).

در این رابطه t: زمان در حوزه گسسته ،N: تعداد کل داده ها، داده های مناسب از ورودی و (y)t: داده خروجی سیستم است .
ساختار مدل در این مقاله ، ساختار مدل ARXاست و مرتبه مدل با کنترل تمام حالات ممکن با فرض دسترسی به حداکثر مقدار ممکن طراحی می شود، به نحوی که تخمین ، برازش ۵ بهتری (رابطه ٢) را در فاز آزمایش ارائه دهد.

که در این فرمول ˆy = مقادیر پیش بینی شده و y= مقادیر مشاهده شده است .
همچنین کم بودن خطای و ماتریس کوواریانس آن و عدم همبستگی لحظات مختلف آن در فاز آزمایش در مرحله ارزیابی و اعتبار مدل مهم است .

= بردار رگرسور و = بردار پارامترهای مدل است .
در حالت کلی تخمین از خروجی به صورت تابعی از مشاهدات می باشد. در مدل خطی ARXاین رابطه به صورت خطی نسبت به پارامتر (Linear Regression) مطرح است .

ˆ=تخمین بردار پارامترهای مدل است .
با استفاده از شبکه عصبی به جای استفاده از یک جمع کننده ساده از ساختار غیرخطی شبکه عصبی استفاده می شود، که در شکل ١ این موضوع نشان داده شده است (١ و ١۵).
به این ترتیب شبکه عصبی MLP، دینامیک داده ها را فرا گرفته و بعنوان مدل تخمین گر برای فرم ARX (NN- ARX)عمل می کند. برای تعیین تعداد نرون های لایه میانی نیز از بین چندین حالت مختلف ، حالتی را که مدل برازش بهتری در فاز آزمایش ارائه کند، انتخاب می شود. از آنجایی که محدوده اعداد در متغیرهای مختلف متفاوت است لذا نرمالیزه کردن داده ها نقش مهمی در بهبود عملکرد مدل دارد. برای این منظور، اگر(r)یک سری زمانی و
باشد, سیگنال نرمالیزه خواهد بود که به صورت زیر بیان می شود (١ ، ١۶ و ١٧).

سیستم استنتاج فازی -عصبی تطبیقی ۱(ANFIS)
اولین بار نظریه مجموعه های فازی در سال ١٩۶۵ توسط پروفسور لطفی عسکرزاده دانشمند ایرانی تبار و استاد دانشگاه برکلی ، عرضه شد. امروزه ، این نظریه ضمن گسترش در زمینه های مختلف کاربردهای گوناگونی نیز پیدا کرده است (٢٣). در سال ١٩٩٣ جانگ با مدنظر قرار دادن توانائی های سیستم های استدلال فازی و شبکه های عصبی تطبیقی ، مدل استنتاج فازی -عصبی تطبیقی را ارائه کرد مدل ANFIS توانایی و قابلیت دو مدل فوق را دارد بطوری که این مدل همانند مدل فازی از دانش تجربی بهره گرفته و نیز همانند مدل شبکه عصبی می تواند آموزش ببیند. نقص مدل ANFISزمان بر بودن آموزش ساختار و تعیین پارامترها می باشد. در سیستم فازی عصبی روش متداول آموزش ، سیستم استنتاج فازی نوع ساجینو می باشد که از الگوریتم یادگیری پیوندی برای تعیین پارامترهای سیستم فازی به منظور آموزش مدل استفاده می کند (٢۵). مدل ترکیبی استنتاج فازی -عصبی (ANFIS) دارای ساختار پنج لایه ای است و هر کدام از این لایه ها نقش خاصی را ایفا می کنند (شکل ٢).
لایه اول یا لایه ورودی ها ، در این لایه ورودی ها از توابع عضویت عبور کرده و درجه عضویت گه های ورودی به بازه های مختلف فازی با استفاده از توابع عضویت مشخص می گردد. توابع عضویت انواع متفاوتی دارد که از جمله آن می توان به توابع ذوزنقه ای ، مثلثی ، سیگموئید، گوسی و تابع زنگوله ای شکل ، که حالت کلی تری از آنها را شامل می شود، اشاره کرد.

که در این جا؛x ورودی گره ی عبارت زبانی (کوچک ، بزرگ و غیره ) است که در این تابع گره مشارکت دارد. همچنین ، تابع عضویت Ai و Bi بوده و این درجه ای است که کفایت x را برای Ai و Bi تعیین می کند. معمولا” را به شکل تابع زنگوله ای با حداکثر یک و حداقل صفر توسط رابطه ذیل تعیین می شود:

که در آن ai,bi,ci مجموعه پارامترها هستند. پارامترهای این لایه به پارامترهای اولیه ٢ معروف هستند.
لایه دوم یا گره های قاعده ، که در آن مقادیر ورودی به هر گره در هم ضرب شده و حاصل که وزن قانون ها می باشد بدست می آید. در لایه دوم عملگر “AND” ( و ) بکار برده شده تا خروجی که نمایانگر بخش مقدم آن قانون بوده بدست آید.

لایه سوم ، هر گره ی این لایه ، دایره ای با علامت N است .
گره های این لایه وزن قانون ها را نرمال سازی می کنند.

لایه چهارم ، گره های نتیجه که لایه قوانین نامیده می شود و در این لایه قانون ها بدست می آیند.

که در آن ؛ wi خروجی چهارمین گره از لایه قبلی و pi،qi و ri ضرایب این ترکیب خطی است .

لایه پنجم ، آخرین لایه شبکه است شامل یک تک گره با علامت  بوده که با جمع کردن همه مقادیر ورودی به آن ، خروجی کلی سیستم را محاسبه می کند. این لایه نتایج هر قانون فازی را طی فرایند غیرفازی سازی به خروجی غیرفازی تغییر شکل می دهد.

پارامترهای مربوط به توابع عضویت طی فرایند یادگیری تغییر می کنند. محاسبه این پارامترها (و یا تنظیم آن ها) از طریق یک بردار گرادیان بوده ، بطوری که این بردار گرادیان یک معیار اندازه گیری برای پمطس لوابزت فرامهدم ل آسمادزنی بپرادرارتگررهاادیینسایزسرتوم لاستنتاج فازی فراهم می آورد.
های بهینه سازی دیگر برای بهینه سازی پارامترها و کاهش خطا استفاده نمود. در پایان تجزیه و تحلیل های حاصل از هریک از مدل ها که با معماری ها و الگوریتم های مختلف به دست آمده اند را با یکدیگر مقایسه و بهترین نتیجه استخراج و ارائه شده است (٣، ١۵، ١۶، ٢٣ و ٢٣).

آزمون گاما (GT)
آزمون گاما یک ابزار مدل بهینه سازی غیرخطی است که به کمک آن می توان ترکیب مناسب از بین پارامترهای ورودی مختلف برای مدل سازی داده های خروجی و ایجاد یک مدل هموار را بررسی نمود. همچنین این آزمون می تواند تا اندازه ای برای تخمین آن بخش از واریانس داده های خروجی که از روی داده های ورودی با ایجاد یک مدل هموار نمی توانند حساب شوند بکار رود. بطور کلی در مدل -سازی های غیرخطی نظیر شبکه های عصبی مصنوعی مشکلاتی نظیر؛ فوق برازش ١، انتخاب ساختار شبکه بر اساس سعی و خطا، لزوم ارزیابی مجموعه داده ها و انتخاب ورودی های بهینه وجود دارند که تمام موارد فوق بر روی یک مدل خوب تاثیر گذار است . در این تحقیق به منظور رعایت اختصار از شرح کامل روش آزمون گاما، معادل اتواثبات آنها خودداری میشود. به عنوان مثال مجموعه ی زیر را در نظر بگیرید:

که در آن بردار به عنوان ورودی و مطابق آن عدد yR به عنوان خروجی در نظر گرفته می شود و فرض می – بردارهای x قابلیت پیشگویی فاکتورهای مورد استفاده موثر در خروجی y را داشته باشند.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 22 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد