بخشی از مقاله
*** اين فايل شامل تعدادي فرمول مي باشد و در سايت قابل نمايش نيست ***
مقايسه کارآيي مدل هاي تلفيقي NN-ARXو ANFIS با GA-GT جهت تخمين تبخير روزانه از تشت در شرايط اقليمي خشک و گرم بلوچستان
چکيده
امروزه تخمين صحيح تبخير به عنوان يکي از عناصر مهم چرخه هيدرولوژي ، نقش مهمي را در توسعه پايدار و مديريت بهينه منابع آب کشورهاي مواجه با بحران آب مي تواند ايفاء کند. تاکنون روش ها و فرمول هاي تجربي فراواني در زمينه برآورد فرايند غير خطي و پيچيده تبخير روزانه از تشت ارائه شده که با عدم قطعيت مي باشد و از دقت بالايي برخوردار نبوده و همچنين دسترسي به تمام پارامترهاي ورودي آنها مشکل و يا اندازه گيري آنها محتاج صرف هزينه و زمان زيادي مي باشند. در اين تحقيق کارايي دو مدل غير خطي NN-ARX و ANFIS جهت برآورد تبخير روزانه از تشت در شرايط اقليمي خشک و گرم (ايرانشهر)، خشک و گرم ساحلي (چابهار) و اقليم نيمه خشک و معتدل گرم (سراوان ) مورد ارزيابي قرار گرفته است . از بين پنج پارامتر ورودي شامل سرعت باد، درجه حرارت ، رطوبت نسبي ، فشار و ساعات آفتابي در دوره ٥ ساله از ابتداي مهر ١٣٨٤ تا انتهاي اسفند ١٣٨٩، بهترين ترکيب ورودي مدل با استفاده از الگوريتم ژنتيک آزمون گاما (GA-GT) براي هر يک از ايستگاههاي سينوپتيک واقع در اين مناطق انتخاب گرديد.
سپس با استفاده از مدل هاي NN-ARX و ANFIS، تبخيرروزانهازتشت برآورد شد. با بکارگيري معيارهاي آماري شامل R٢،RMSE و MAE، کارايي مدل ANFIS با ٣ تابع عضويت نوع گوسي و مدل NN-ARX براي هر يک از ايستگاه هاي سينوپتيک منتخب ارزيابي گرديد. نتايج حاصله نشان مي دهد که دقت مدل ANFIS نسبت به مدل NN-ARX در برآورد تبخير روزانه از تشت در شرايط اقليمي خشک و گرم بلوچستان مورد بررسي بيشتر است .
واژه هاي کليدي : تبخير از تشت ، شبکه هاي عصبي مصنوعي ، شبکه هاي عصبي فازي ، الگوريتم ژنتيک ، آزمون گاما، اقليم خشک و گرم
مقدمه
يکي از عوامل محيطي بسيار مهم در هر منطقه تلفات سالانه ميليون ها مترمکعب آب به صورت تبخير از خاک و سطح مخازن آب بوده ، که مي تواند تأثير بسزايي بر درآمد کشاورزان داشته باشد. در مناطقي با تابش خورشيدي و کمبود فشار بخار اشباع بالا، مقدار قابل توجهي از کل آب ذخيره شده ، به صورت تبخير از دست مي رود که منجر به تقليل بازده مصرف آب مي شود (١٠و ١١). از سويي اتلاف ميليون ها مترمکعب آب جمع آوري شده با هزينه زياد در سال ازمخازن سدها بصورت تبخير باعث تجمع املاح و نمک ها در مخازن و کاهش کيفيت آب مخازن آب شيرين مي شود (٤). براساس آمارهاي موجود، از حجم حدود ٤٠ ميليارد مترمکعبي مخازن آبي کشورمان ، سالانه يک ميليارد متر مکعب تبخير مي شود (٢٩). لذا با توجه به محدوديت منابع آب در برخي از مناطق خشک و نيمه خشک کشور ايران تخمين درست پارامتر تبخير به عنوان يکي از عناصر مهم چرخه هيدرولوژي ، مي تواند نقش مهمي در برنامه ريزي دست اندرکاران براي جلوگيري از هدر رفت آب از طريق تبخير، کيفيت آب موجود، توسعه پايدار و مديريت بهينه منابع آب ايفاء کند. در اين راستا، اهميت پارامتر تبخير در مناطقي همچون استان سيستان و بلوچستان در ايران که داراي اقليم خشک و نيمه خشک بوده و مشکل کم آبي نيز وجود دارد، دو چندان مي گردد. بررسي اقليمي اين ناحيه نشان مي دهد که بطور طبيعي استعداد زيادي براي تبخير در اين منطقه وجود دارد. بالا بودن درجه حرارت و وزش باد، به همراه پايين بودن رطوبت نسبي ، تبخير آب را نسبت به ساير مناطق افزايش مي دهد. متوسط ساليانه تبخير در ايران تقريبا ١٨٠٠ ميلي متر معادل ٧١ درصد بارندگي متوسط ساليانه برآورد گرديده است . مقادير ارائه شده شاهد براين ادعاست که تبخير پارامتر مؤثري در مديريت کمي و کيفي و بيلان هاي منابع آب منطقه اي در ايران است (١٧ و ٢٩).
بطور کلي مدل هاي هيدرولوژيکي از جمله مدل هاي تبخير موجود نيازمند پارامترهاي ورودي فراوان هستند که دسترسي به آنها مشکل است و يا اندازه گيري آن ها زمان بر و محتاج صرف هزينه زيادي مي باشد، و از سويي واسنجي شان نيز بسيار وقت گير بوده که کمتر مورد توجه قرار مي گيرند. در دهه هاي اخير براي حل مشکلات مربوط به کاربرد مدل هاي هيدروليکي و هيدرولوژيکي ، مدل هاي هوش مصنوعي نظير شبکه عصبي مصنوعي که يک مدل محاسباتي بوده و بر اساس سيستم عصبي مغز انسان در فرآيند يادگيري طراحي شده در مطالعات منابع آب و براي پيش بيني ها توسط محققين مختلف مورد استفاده قرار گرفته است . امروزه اين مدل ها بطور فزاينده اي مورد توجه قرار گرفته اند. علت اين استقبال از هوش مصنوعي را مي توان قدرت شبيه سازي اين نوع مدل در فرآيندهاي که تعريف دقيق و درک خاصي از آنها وجود ندارد و حساسيت کمتر آن نسبت به وجود خطا در ورودي ها دانست . به بيان ديگر، اين مدل ها مي توانند با حداقل پارامترهاي اندازه گيري شده و با دقت قابل قبولي تغييرات متغير مورد نظر را پيش بيني نمايند. جذابيت مدل هاي هوش مصنوعي بخاطر توانايي آن ها در حل مسائل غيرخطي ، حجيم و داراي خطا مي باشد.
همچنين اين مدل ها توانايي يادگيري حل مسائل فازي و تشخيص الگوها را نيز دارا مي باشند (١، ٣، ٤، ٦، ٧، ١٤، ١٧، ١٨، ١٩، ٢١، ٢٢، ٢٣، ٢٥، ٢٧ و ٢٩).
در زمينه کاربرد هوش مصنوعي براي تخمين تبخير از تشت تحقيقات فراواني انجام شده است که به تعدادي از آن ها اشاره مي شود. شيرسات و سينگه (٢١) مدل هاي کاربرد شبکه عصبي مصنوعي ، رگرسيون آماري و چند مدل اقليمي را جهت پيش بيني تبخير روزانه از تشت با آب و هواي نيمه خشک در دهلي نو هند با استفاده از داده هاي روزانه شامل متغير دماي ماکزيمم هوا، دماي مينيمم هوا، رطوبت نسبي ، ساعات آفتابي و سرعت باد در يک دوره چهار ساله (٢٠٠٧-٢٠٠٤) بررسي کردند. نتايج حاصل نشان داد که مدل ANN در مقايسه با ساير روش ها عملکرد بهتري براي تخمين مقدار تبخير روزانه از تشت داشته است . ژئول (٩) تحقيقي براي نشان دادن امکان و قابليت هاي مدل سازي بر پايه ANNبه منظور پيش بيني تبخير از يک مخزن در حالتي که معادلات کلاسيک و تجربي نتوانسته اند تبخير را به طور دقيق پيش بيني کنند، انجام داد. يک دسته داده هاي هواشناسي شامل تبخير سطحي روزانه ، دما، تشعشع خورشيدي ، رطوبت نسبي و سرعت باد در اين مطالعه استفاده شده است . ترکيب هاي مختلفي از پارامترها به عنوان ورودي اعمال مي شود و به ازاي آن عملکرد پس انتشار پيشرو١ در ANN با بازگشت خطي بر اساس پارامترهاي عملکرد (R٢و RMSE) مقايسه مي نمود. مقايسه نتايج نشان مي دهد که وقتي براي ساخت و آزمايش مدل ، پارامترهاي ورودي بيشتر در نظر گرفته مي شوند، در مقايسه با حالت تک پارامتري هم خواني بهتري مشاهده مي شود. اين مطالعه نشان مي دهد که مدل سازي پس انتشار پيشرو بر پايه ANN مي تواند به عنوان يک رويکرد جايگزين و کارآ براي تخمين تبخير روزانه از مخازن اعمال گردد. سانگ وان و هونگ کي (٢٨) شبکه عصبي مصنوعي را براي تخمين ميزان تبخير از تشت در مناطق روستايي کره جنوبي شامل داده هاي روزانه ماکزيمم ، ميانگين ومينيمم دما، رطوبت نسبي مينيمم و ميانگين ، دماي نقطه شبنم ، سرعت باد ماکزيمم و ميانگين ، ساعات آفتابي و تبخير از تشت در يک بازه آماري ٣ ساله در مناطق مختلف استفاده کردند. نتايج تحقيق بيانگر توانايي بالاي شبکه هاي عصبي مصنوعي در پيش بيني ميزان تبخير از تشت دارد. کيسي (١٢) دو روش شبکه هاي عصبي مصنوعي و منطق فازي را براي تخمين ميزان تبخير روزانه از تشت بکار گرفت . داده هاي مورد استفاده شامل درجه حرارت ، تشعشعات خورشيدي ، رطوبت نسبي ، سرعت باد و فشار هوا جهت ورودي و ميزان تبخير روزانه از تشت خروجي مدل ها بوده - است . بررسي فوق نشان داد که روش منطق فازي نسبت به شبکه هاي عصبي مصنوعي نتايج بهتري ارائه مي دهند. گرچه نتايج استخراجي از شبکه هاي عصبي مصنوعي نيز رضايت بخش بوده و خطايي برابر ٠.١٧ ميلي متر در روز داشته است . کسکين و ترزي (١١) شبکه هاي عصبي مصنوعي را براي محاسبه ميزان تبخير روزانه از تشت در درياچه اجيردير ترکيه بکار بردند. متغيرهاي مورد استفاده در مدل شامل دماي هوا، دماي آب ، رطوبت نسبي ، تابش خورشيدي ، سرعت باد و فشار هوا مي باشند. نتايج پژوهش نشان داد که در منطقه مورد مطالعه اثر سرعت باد و رطوبت نسبي قابل صرف نظر کردن است . سودهير و همکاران (٢٢) با استفاده از مدل شبکه هاي عصبي مصنوعي به پيش بيني و تخمين ميزان تبخير از تشت در کشور هند اقدام نمودند. در اين پژوهش از داده هاي ورودي شامل دماي هوا، رطوبت نسبي ، سرعت باد و ساعات آفتابي در بازه آماري (١٩٩٤- ١٩٩٠) استفاده گرديد. نتايج حاصل نشان داد که مدل شبکه عصبي مصنوعي در مقايسه با مدل هاي تجربي توانمندتر است . بر اساس اين تحقيق لحاظ کردن کليه پارامترها در ورودي مدل عملکرد بهتري دارد. برتن و همکاران (٨) شبکه هاي عصبي مصنوعي براي پيش بيني ميزان تبخير روزانه از تشت استفاده کردند. در اين پژوهش داده هاي ورودي مدل شامل درجه حرارت ، بارندگي ، رطوبت نسبي ، تشعشات خورشيدي و سرعت باد بوده و داده خروجي مدل ميزان تبخير از تشت مي باشد. نتايج حاصل از تحقيق فوق نشان داد که روش شبکه عصبي مصنوعي در مقايسه با روش هاي ديگر داراي کمترين خطا که برابر ١.١١ ميلي متر در روز بوده است . پيري و همکاران (١٧) از مدل شبکه عصبي مصنوعي براي تخمين ميزان تبخير از مخازن آب چاه نيمه - هاي سيستان با اقليم گرم و خشک واقع در جنوب شرق ايران استفاده کردند. داده هاي روزانه ورودي به مدل شامل دماي هوا، سرعت باد، کمبود فشار بخار اشباع و رطوبت نسبي و داده خروجي مدل ميزان تبخير روزانه از تشت در بازه آماري (٢٠٠٦-١٩٩٥) مورد استفاده قرار گرفت . بر اساس نتايج اين تحقيق روش شبکه هاي عصبي مصنوعي نسبت به مدل هاي تجربي عملکرد بهتري داشته است . همچنين داده هاي سرعت باد، کمبود فشار بخار اشباع و رطوبت نسبي به عنوان داده هاي ورودي به مدل بر ميزان تبخير روزانه از تشت موثرتر مي - باشند. رحيمي خوب (١٨) از شبکه هاي عصبي مصنوعي براي پيش بيني ميزان تبخير روزانه از تشت در منطقه نيمه خشک صفي آباد دزفول در دشت خوزستان واقع در جنوب غرب ايران در بازه زماني (٢٠٠٣- ١٩٩٦) استفاده کردند. بر اساس اين تحقيق نتايج حاصل نشان دهنده عملکرد رضايت بخش مدل شبکه هاي عصبي مصنوعي بوده است . مقدم نيا و همکاران (١٤) با استفاده از شبکه هاي عصبي مصنوعي و سيستم استنتاج فازي -عصبي جهت برآورد تبخير روزانه از مخازن چاه نيمه هاي سيستان اقدام کردند. در تحقيق فوق براي انتخاب ترکيب مناسب ورودي مدل ها از تکنيک آزمون گاما١ (GT)
استفاده شده بطوري که پارامترهاي کمبود فشار بخار، رطوبت نسبي و سرعت باد به عنوان ورودي هاي بهينه براي مدل هاي ANN و ANFIS معرفي شده اند. همچنين نتايج نشان داد که خروجي مدل هاي ANN در مقايسه با ANFISجهت پيش بيني تبخير دقيق - تر است . پيري و همکاران (١) با استفاده از شبکه عصبي مصنوعي به تخمين تبخير روزانه از تشت تبخير در ايستگاه گنبد اقدام نمودند. در تحقيق فوق با استفاده از آمار روزانه هواشناسي ايستگاه گنبد به آموزش مدل هاي ANN با ساختار پرسپترون چند لايه و الگوريتم پس انتشار٢ (BP) خطا پرداخته مي شود. پارامترهاي درجه حرارت هوا، رطوبت نسبي ، سرعت باد و ساعات آفتابي به عنوان ورودي هاي شبکه و تبخير روزانه از تشت تبخير بعنوان خروجي شبکه در نظر گرفته مي شود. بمنظور بررسي تأثير پارامترهاي ورودي در تخمين تبخير از آناليز حساسيت استفاده شد. نتايج نشان داد که پارامترهاي دما و سرعت باد بترتيب بيشترين و کمترين تاثير را در تخمين مقدار تبخير از تشت دارا مي باشد. همچنين از ANN مي توان با دقت مناسبي در تخمين ميزان تبخير روزانه از تشت تبخير استفاده نمود.
کانسکر در سال (١٩٩٧) روش GT را به عنوان ابزاري براي تجزيه و تحليل مدل سازي غيرخطي معرفي کرد. همچنين در سال هاي اخير براي کاهش مراحل سعي و خطا٣ در مدل سازي هاي هوشمند و غير خطي و انتخاب ترکيب بهينه و مناسبي از انواع پارامترهاي ورودي و خروجي به مدل هاي هوش مصنوعي و غير خطي بکار مي رود. همچنين يک ابزار توسعه يافته براي تخمين ميانگين مربعات خطاي حاصل از مدل سازي پديده هاي مختلف با استفاده از مجموعه داده هاي مشاهداتي از آن پديده است (٢٠). مقدم نيا و همکاران (١٥) روش GT جهت پيش پردازش پارامترهاي ورودي موثر بر تابش خورشيدي بکار بردند. آن ها ارزيابي شبکه هاي مختلف عصبي مصنوعي نظير LLR،MLP ،ELMAN ،NNAR و ANFIS با بکارگيري نتايج حاصل از شيوه GT و معيارهاي مختلف آماري انجام دادند. قبائي سوق و همکاران (٢) مدل سازي هوشمند تابش خورشيدي با استفاده از آزمون گاما و مقايسه با معادلات تجربي واسنجي شده در کرمانشاه طي دوره آماري ١٩٩٢ الي ٢٠٠١ انجام دادند. آن ها ارزيابي شبکه هاي مختلف عصبي مصنوعي نظير(ANN)LM،ANN)SCG( و LLR نسبت به معادلات تجربي واسنجي شده با بکارگيري نتايج حاصل از GT و معيارهاي مختلف آماري انجام دادند. نتايج حاصل برتري مدل سازي هوشمند را نشان داد.
در تحقيق حاضر، دو مدل شبکه عصبي خودرگرسيوني با ورودي برنزا٤ (NNARX) و عصبي -فازي که با گزينه بهينه سازي مدل گاما تست در محيط نرم افزار MATLAB تلفيق شده ، جهت برآورد تبخير روزانه از تشت در شرايط اقليمي خشک و گرم توسعه داده شده است .
هدف اصلي اين مقاله ، استفاده از تکنيک گاما تست (GT) مبتني بر الگوريتم ژنتيک ٥ (GA) و انتخاب بهترين ترکيب ورودي به مدل هاي NNARX و ANFIS جهت پيش بيني تغييرات پارامترهاي دما، سرعت باد، رطوبت نسبي ، فشار، ساعات آفتابي و همچنين ارزيابي کارايي مدل هاي فوق در سه ايستگاه سينوپتيک ايرانشهر، چابهار و سراوان که با اقليم هاي خشک و گرم (ايرانشهر)، اقليم خشک و گرم ساحلي (چابهار) و اقليم نيمه خشک و معتدل گرم (سراوان ) مي باشد، مورد بررسي قرار گرفته است . تا بتوان از آن به منظور آناليز سريع تبخير در اين سه ايستگاه استفاده نمود.
مواد و روش ها
مباني نظري تحقيق
همانطوري که اشاره شد، فرآيند تبخير از جمله پارامترهاي مهم در چرخه هيدرولوژي و مهندسي منابع آب است . پديده تبخير را مي توان به صورت يک فرآيند اتفاقي غير خطي و پيچيده و غير ساکن ١ (پويا) در نظر گرفت . به دليل تاثير متقابل پارامترهاي مختلف هواشناسي در محاسبه تبخير، روابطي غيرخطي براي تخمين مقدار آن وجود دارد که معمولا" از دقت بالايي برخوردار نيستند. لذا در دهه هاي اخير کاربرد شيوه هاي هوش مصنوعي از جمله شبکه هاي عصبي مصنوعي و سيستم عصبي –فازي براي تخمين و پيش بيني پارامترها با استفاده از ارتباط ذاتي بين داده ها مورد توجه محققان قرار گرفته و در حال توسعه مي باشد. از آنجا که ساختارهايي نظير شبکه عصبي مصنوعي از قدرت نگاشت غيرخطي برخوردارند و همچنين داراي خصوصيت يادگيري هستند، بنابراين با استفاده از اين ساختارها مي توان از آنها براي مدل سازي استفاده کرد. بنابراين در تحقيق حاضر، ابتدا دو مدل شبکه عصبي مصنوعي پويا و عصبي -فازي که با گزينه بهينه سازي الگوريتم ژنتيک مدل گاما تست تلفيق گرديد. سپس اين مدل به منظور انتخاب ورودي هاي بهينه و مناسب جهت برآورد تبخير روزانه از تشت در شرايط اقليمي خشک و گرم توسعه داده شده و در نهايت نتايج حاصل مورد مقايسه قرار گرفته است . ساختار هريک از اين مدل ها در ادامه تشريح شده است .
مدل شبکه عصبي - خودرگرسيوني با ورودي برونزا (NN-ARX)
در بحث شناسائي سيستم ، مدل هاي آماري قوي براي مدل سازي فرآيندهاي اتفاقي و سري هاي زماني وجود دارد.به طور کلي مدل هاي پويا در بررسي هاي کوتاه مدت ، دقيق تر از مدل هاي ساکن ٢ پاسخ مي دهد (١١). شبکه هاي پويا داراي يک بخش خطي خودرگرسيوني (ARX) و يک بخش غيرخطي شبکه عصبي پيشخور انتشار برگشتي (ANN) است . مدل ARXيکي از ساختارهايي است که در بحث شناسايي سيستم کاربرد زيادي دارد (١).
در اين مطالعه ، درجه حرارت (T)، سرعت باد (W)، کمبود فشار بخاراشباع (Ed) و درصد رطوبت نسبي (RH)به عنوان ورودي به مدل وارد مي شود و تبخيربه عنوان خروجي است . بدين صورت فضاي مشاهدات Zn جهت مدل سازي آماده مي شود. داده ها به دو دسته داده هاي يادگيري ٣و داده هاي آزمايش ٤تقسيم ميشوند (٢٣).
در اين رابطه t: زمان در حوزه گسسته ،N: تعداد کل داده ها، داده هاي مناسب از ورودي و (y)t: داده خروجي سيستم است .
ساختار مدل در اين مقاله ، ساختار مدل ARXاست و مرتبه مدل با کنترل تمام حالات ممکن با فرض دسترسي به حداکثر مقدار ممکن طراحي مي شود، به نحوي که تخمين ، برازش ٥ بهتري (رابطه ٢) را در فاز آزمايش ارائه دهد.
که در اين فرمول ˆy = مقادير پيش بيني شده و y= مقادير مشاهده شده است .
همچنين کم بودن خطاي و ماتريس کوواريانس آن و عدم همبستگي لحظات مختلف آن در فاز آزمايش در مرحله ارزيابي و اعتبار مدل مهم است .
= بردار رگرسور و = بردار پارامترهاي مدل است .
در حالت کلي تخمين از خروجي به صورت تابعي از مشاهدات مي باشد. در مدل خطي ARXاين رابطه به صورت خطي نسبت به پارامتر (Linear Regression) مطرح است .
ˆ=تخمين بردار پارامترهاي مدل است .
با استفاده از شبکه عصبي به جاي استفاده از يک جمع کننده ساده از ساختار غيرخطي شبکه عصبي استفاده مي شود، که در شکل ١ اين موضوع نشان داده شده است (١ و ١٥).
به اين ترتيب شبکه عصبي MLP، ديناميک داده ها را فرا گرفته و بعنوان مدل تخمين گر براي فرم ARX (NN- ARX)عمل مي کند. براي تعيين تعداد نرون هاي لايه مياني نيز از بين چندين حالت مختلف ، حالتي را که مدل برازش بهتري در فاز آزمايش ارائه کند، انتخاب مي شود. از آنجايي که محدوده اعداد در متغيرهاي مختلف متفاوت است لذا نرماليزه کردن داده ها نقش مهمي در بهبود عملکرد مدل دارد. براي اين منظور، اگر(r)يک سري زماني و
باشد, سيگنال نرماليزه خواهد بود که به صورت زير بيان مي شود (١ ، ١٦ و ١٧).
سيستم استنتاج فازي -عصبي تطبيقي 1(ANFIS)
اولين بار نظريه مجموعه هاي فازي در سال ١٩٦٥ توسط پروفسور لطفي عسکرزاده دانشمند ايراني تبار و استاد دانشگاه برکلي ، عرضه شد. امروزه ، اين نظريه ضمن گسترش در زمينه هاي مختلف کاربردهاي گوناگوني نيز پيدا کرده است (٢٣). در سال ١٩٩٣ جانگ با مدنظر قرار دادن توانائي هاي سيستم هاي استدلال فازي و شبکه هاي عصبي تطبيقي ، مدل استنتاج فازي -عصبي تطبيقي 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 عصبي مي تواند آموزش ببيند. نقص مدل ANFISزمان بر بودن آموزش ساختار و تعيين پارامترها مي باشد. در سيستم فازي عصبي روش متداول آموزش ، سيستم استنتاج فازي نوع ساجينو مي باشد که از الگوريتم يادگيري پيوندي براي تعيين پارامترهاي سيستم فازي به منظور آموزش مدل استفاده مي کند (٢٥). مدل ترکيبي استنتاج فازي -عصبي (ANFIS) داراي ساختار پنج لايه اي است و هر کدام از اين لايه ها نقش خاصي را ايفا مي 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 فازي با استفاده از توابع عضويت مشخص مي گردد. توابع عضويت انواع متفاوتي دارد که از جمله آن مي توان به توابع ذوزنقه اي ، مثلثي ، سيگموئيد، گوسي و تابع زنگوله اي شکل ، که حالت کلي تري از آنها را شامل مي شود، اشاره کرد.
که در اين جا؛x ورودي گره ي عبارت زباني (کوچک ، بزرگ و غيره ) است که در اين تابع گره مشارکت دارد. همچنين ، تابع عضويت Ai و Bi بوده و اين درجه اي است که کفايت x را براي Ai و Bi تعيين مي کند. معمولا" را به شکل تابع زنگوله اي با حداکثر يک و حداقل صفر توسط رابطه ذيل تعيين مي شود:
که در آن ai,bi,ci مجموعه پارامترها هستند. پارامترهاي اين لايه به پارامترهاي اوليه ٢ معروف هستند.
لايه دوم يا گره هاي قاعده ، که در آن مقادير ورودي به هر گره در هم ضرب شده و حاصل که وزن قانون ها مي باشد بدست مي آيد. در لايه دوم عملگر "AND" ( و ) بکار برده شده تا خروجي که نمايانگر بخش مقدم آن قانون بوده بدست آيد.
لايه سوم ، هر گره ي اين لايه ، دايره اي با علامت N است .
گره هاي اين لايه وزن قانون ها را نرمال سازي مي کنند.
لايه چهارم ، گره هاي نتيجه که لايه قوانين ناميده مي شود و در اين لايه قانون ها بدست مي آيند.
که در آن ؛ wi خروجي چهارمين گره از لايه قبلي و pi،qi و ri ضرايب اين ترکيب خطي است .
لايه پنجم ، آخرين لايه شبکه است شامل يک تک گره با علامت بوده که با جمع کردن همه مقادير ورودي به آن ، خروجي کلي سيستم را محاسبه مي کند. اين لايه نتايج هر قانون فازي را طي فرايند غيرفازي سازي به خروجي غيرفازي تغيير شکل مي دهد.
پارامترهاي مربوط به توابع عضويت طي فرايند يادگيري تغيير مي کنند. محاسبه اين پارامترها (و يا تنظيم آن ها) از طريق يک بردار گراديان بوده ، بطوري که اين بردار گراديان يک معيار اندازه گيري براي پمطس لوابزت فرامهدم ل آسمادزني بپرادرارتگررهااديينسايزسرتوم لاستنتاج فازي فراهم مي آورد.
هاي بهينه سازي ديگر براي بهينه سازي پارامترها و کاهش خطا استفاده نمود. در پايان تجزيه و تحليل هاي حاصل از هريک از مدل ها که با معماري ها و الگوريتم هاي مختلف به دست آمده اند را با يکديگر مقايسه و بهترين نتيجه استخراج و ارائه شده است (٣، ١٥، ١٦، ٢٣ و ٢٣).
آزمون گاما (GT)
آزمون گاما يک ابزار مدل بهينه سازي غيرخطي است که به کمک آن مي توان ترکيب مناسب از بين پارامترهاي ورودي مختلف براي مدل سازي داده هاي خروجي و ايجاد يک مدل هموار را بررسي نمود. همچنين اين آزمون مي تواند تا اندازه اي براي تخمين آن بخش از واريانس داده هاي خروجي که از روي داده هاي ورودي با ايجاد يک مدل هموار نمي توانند حساب شوند بکار رود. بطور کلي در مدل -سازي هاي غيرخطي نظير شبکه هاي عصبي مصنوعي مشکلاتي نظير؛ فوق برازش ١، انتخاب ساختار شبکه بر اساس سعي و خطا، لزوم ارزيابي مجموعه داده ها و انتخاب ورودي هاي بهينه وجود دارند که تمام موارد فوق بر روي يک مدل خوب تاثير گذار است . در اين تحقيق به منظور رعايت اختصار از شرح کامل روش آزمون گاما، معادل اتواثبات آنها خودداري ميشود. به عنوان مثال مجموعه ي زير را در نظر بگيريد:
که در آن بردار به عنوان ورودي و مطابق آن عدد yR به عنوان خروجي در نظر گرفته مي شود و فرض مي - بردارهاي x قابليت پيشگويي فاکتورهاي مورد استفاده موثر در خروجي y را داشته باشند.
