مقاله کاربرد سیستم های استنتاج فازی- عصبی تطبیقی و ماشین بردار پشتیبان برای برآورد تبخیر تعرق مرجع ماهانه شمالغرب کشور

word قابل ویرایش
28 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 ***

کاربرد سیستم های استنتاج فازی- عصبی تطبیقی و ماشین بردار پشتیبان برای برآورد تبخیر تعرق مرجع ماهانه شمالغرب کشور

چکیده
در مطالعه حاضر به منظور پیش بینی تبخیر و تعرق گیاه مرجع با استفاده از دو مدل SVM و ANFIS در مقیاس زمانی ماهانه ، ۶ ایستگاه سینوپتیک در منطقه شمال غرب کشور در دوره آماری ٣٨ ساله (٢٠١٠-١٩٧٣) انتخاب شد. در ابتدا مقادیر تبخیر و تعرق مرجع ماهانه برای ایستگاههای منتخب توسط روش فائو- پنمن – مونتیث محاسبه و به عنوان خروجی مدلهای SVM و ANFIS در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمده و الگوهای مختلف ورودی برای مدلهای مورد استفاده مشخص گردید که بر این اساس رطوبت نسبی با داشتن کمترین اثر از ورودیها حذف گردید. هم چنین در مطالعه حاضر به منظور بررسی اثر حافظه در پیش بینی تبخیر و تعرق از گامهای زمانی (تاخیر) یک ، دو، سه و چهار ماهانه نیز به عنوان ورودی برای مدلها استفاده شد. به طور کلی برای هر مدل ٩ الگوی ورودی ایجاد گردید.
نتایج حاصله نشان دهنده دقت بالا و خطای کم هر دو مدل در پیش بینی تبخیر و تعرق مرجع ماهانه بوده ولی کارایی مدل SVM کمی بهتر از مدل ANFIS بود. هم چنین زمانی که از حافظه سری زمانی تبخیر و تعرق برای ورودی مدلها استفاده گردید، نسبت به حالتی که از متغیرهای اقلیمی به عنوان ورودی استفاده شد، دقت کمتر بود.
واژههای کلیدی: الگو، پیش بینی، حافظه ، متغیرهای اقلیمی

مقدمه
مدلسازی فرآیند تبخیر و تعرق گیاهان زراعی به طور عمده با روشهای تجربی، آئرودینامیک و بیلان انرژی انجام میشود. در این روشها با بهرهگیری از میانگین پارامترهای هواشناسی در گامهای مختلف زمانی، تبخیر و تعرق محاسبه میگردد. تغییرپذیری زیاد تبخیر و تعرق سبب شده که مدلهای خطی، عملکرد چندان مناسبی در این زمینه نداشته باشند و محققان به استفاده از مدلهای غیرخطی و هوشمند روی آوردهاند. برای برآورد دقیق این متغییر مهم هیدرولوژیکی، باید با صرف وقت و هزینه ، دادههای زیادی اندازهگیری شود (١٩). ایران کشوری با اقلیم خشک و نیمه خشک ، از توزیع نامناسب زمانی و مکانی بارش برخوردار است . در چنین شرایط اقلیمی بارشهای جوی توانایی تامین نیازهای آبی مصرف کنندگان بخش های مختلف را نداشته و از این روست که مدیریت منابع آب محدود کشور به ویژه در بخش کشاورزی که بیشترین سهم مصرف را داراست از دغدغه های اصلی مدیران بخش آب و کشاورزی کشور محسوب میگردد. برآورد صحیح و دقیق نیاز آبی گیاه در بخش کشاورزی زمینه را برای طراحی و اجرای دقیق پروژههای عمرانی و سازههای آبی از یک سو و بهرهبرداری بهینه منابع آب محدود کشور فراهم خواهد آورد. عوامل مختلف اقلیمی همچون دما، بارش، تعداد ساعات آفتابی، رطوبت نسبی و سرعت باد در میزان تبخیر و تعرق تاثیرگذار میباشد، بنابراین با توجه به ماهیت غیرخطی تبخیر و تعرق، استفاده از مدلهای هوشمند مانند سیستم های فازی- عصبی تطبیقی ۵ (ANFIS) و ماشین بردار پشتیبان ۶ (SVM) میتوانند به عنوان ابزار مناسبی برای تخمین هرچه دقیق تر تبخیر و تعرق مرجع به کار گرفته شوند.
استنتاج عصبی- فازی تطبیقی برای برآورد تبخیر و تعرق گیاه مرجع در منطقه همدان استفاده کردند. نتایج حاصله نشان دهنده برتری مدل ANFIS با ورودیهای درجه حرارت بیشینه و کمینه و ساعات آفتابی میباشد. زارع ابیانه و همکاران (١٩) تبخیر و تعرق واقعی گیاه سیر را با استفاده از روشهای شبکه عصبی مصنوعی، سیستم استنتاج عصبی- فازی تطبیقی و روش تلفیقی عصبی – ژنتیک ١ برآورد نمودند. نتایج نشان داد که بهینه سازی شبکه عصبی مصنوعی موفق تر از منطق فازی بود به طوری که الگوریتم ژنتیک در ترکیب با شبکه عصبی توانست خطای شبکه در مرحله ی آزمون را نسبت به عصبی- فازی به میزان ٢۴ درصد کاهش دهد. اما ترکیب منطق فازی نه تنها سبب بهبود نتایج شبکه عصبی مصنوعی نشد، بلکه دقت پیش بینی را به میزان ١٢ درصد کاهش داد. مرادی و همکاران (١١) سیستم های استنتاج فازی را به منظور برآورد تبخیر و تعرق مرجع ساعتی به کار بردند. در این مطالعه تبخیر و تعرق محاسبه شده از معادله پنمن – مونتیث – فائو به عنوان خروجی مدل در نظر گرفته شده و کارایی مدل با ورودیهای مختلف با استفاده از آمارههای ریشه میانگین مربعات خطا، خطای انحراف میانگین ، ضریب تعیین ، معیار جاکوویدز و معیار صباغ و همکاران مورد ارزیابی قرار گرفت که نتایج نشان دهنده دقت بالای سیستم استنتاج فازی در تخمین تبخیر و تعرق ساعتی است . جیابینگ (٨) مقدار تبخیر و تعرق گیاه مرجع را با استفاده از سه روش منطق فازی، شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) برآورد کردند. نتایج به دست آمده حاکی از آن است که مدل ANFIS با ورودیهای تعداد ساعات آفتابی و حداکثر دما توانسته با دقت بیشتر و خطای کمتری تبخیر تعرق گیاه مرجع را پیش بینی کند. کیشی (٩) در مطالعه ای دقت مدل ANFIS را در تخمین تبخیر و تعرق گیاه مرجع برای دو ایستگاه پومونا و سانتامونیکا در لس آنجلس را مورد ارزیابی قرار دادند.
نتایج این پژوهش نشان داد که این مدل از عملکرد بسیار خوبی در پیش بینی تبخیر و تعرق برخوردار است . دوگان (١٢) با استفاده از مدل ANFIS تبخیر و تعرق مرجع را در ایستگاه مورگان سانفرانسیسکو محاسبه کرده و دقت بالای این مدل را در برآورد تبخیر و تعرق مورد تایید قرار دادند. کیشی و چیمن (١٠) در مقایسه ای عملکرد مدل SVM و روابط تجربی هارگریوز٢، ریتچ و تورک٣ را در پیش بینی تبخیر و تعرق روزانه مورد بررسی قرار دادند. در این مطالعه مدل SVM با بهرهگیری از ورودیهای درجه حرارت روزانه ، تابش خورشیدی، رطوبت نسبی و سرعت باد از دقت بسیار بالایی در پیش – بینی تبخیر و تعرق مرجع روزانه برخوردار بود. طبری و همکاران (١۴) دقت مدلهای ANFIS و SVM را در پیش بینی تبخیر تعرق گیاه سیب زمینی مورد ارزیابی قرار دادند. ورودیهای مختلفی برای هر دو مدل معرفی شده و در نهایت بر اساس شاخص های ریشه میانگین مربعات خطا و خطای انحراف میانگین ، مدل SVM با در نظر گرفتن ورودیهای درجه حرارت متوسط ، رطوبت نسبی، تابش خورشیدی، تعداد ساعات آفتابی و سرعت باد عملکرد بهتری در مقایسه با سیستم استنتاج عصبی – فازی تطبیقی داشته است .
با توجه به موارد فوق میتوان دریافت که تخمین پارامترهای هیدرولوژیکی هم چون تبخیر و تعرق مرجع از دیرباز مورد توجه محققین امر بوده و بدین منظور روشهای متعددی از جمله مدلهای تجربی- نیمه تجربی، سریهای زمانی و مدلهای هوشمند توسعه یافته اند که در این میان مدلهای هوشمند با الهام گرفتن از طبیعت قادر به تخمین پارامترهای مربوط به پدیدههای طبیعی با دقت قابل قبول میباشند و نیز دقت قابل توجهی نسبت به سایر روشها دارند که به دلیل تطابق با ماهیت غیرخطی آنها میباشد. لذا در این تحقیق سعی گردیده است که عملکرد دو مدل هوشمند سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان (SVM) در پیش بینی تبخیر تعرق مرجع ماهانه شمالغرب کشور مورد بررسی قرار گرفته و اهداف زیر دنبال شود: ١) توسعه مدلهای مناسب ANFIS و SVM با الگوهای ورودی مختلف ، ٢) تعیین مقدار بهینه ضرایب سه گانه مدل SVM و ٣) ارزیابی دقت مدلهای به کار رفته در پیش بینی تبخیر و تعرق مرجع ماهانه شمالغرب ایران.
مواد و روشها
دادهها و منطقه مورد مطالعه
برای محاسبه تبخیر و تعرق مرجع ماهانه در منطقه شمال غرب کشور شامل استانهای آذربایجان غربی و شرقی، زنجان و کردستان، ایستگاههای سینوپتیک مورد بررسی قرار گرفته و در نهایت ۶ ایستگاه با دارا بودن اطلاعات کافی و طولانی مدت در دوره آماری ٣٨ ساله (٢٠١٠-١٩٧٣) انتخاب شدند. ایستگاههای منتخب متوسط دمای منطقه و بارش سالانه را به ترتیب ١٢.٨ درجه سانتی گراد و ٣۶٠ میلیمتر نشان میدهند که براساس طبقه بندی اقلیمی دومارتن ، اقلیم این منطقه با شاخص ١۵.٧٩ از نوع آب و هوای نیمه خشک میباشد.
در جدول ١ مشخصات ایستگاههای منتخب ارائه شده است و شکل ١ نیز موقعیت مکانی ایستگاهها را نشان میدهد.
اخیرا با ترکیب موفقیت آمیز بعضی روشها همچون شبکه عصبی، منطق فازی و محاسبات تکاملی، روشهای جدیدی به نام محاسبات نرم و هوشمند ایجاد و توسعه یافته اند. این تکنیک های نرم در زمینه های مختلف مهندسی به کار میروند.

نروفازی یک سیستم هیبریدی است که مرکب از توانایی تصمیم گیری منطق فازی با قابلیت حسابگری شبکه عصبی است و سطح پیچیده و بالایی را برای مدل کردن و تخمین پیشنهاد میکند.
اساسا قسمت فازی مربوط به گروهبندی دادههای ورودی به مجموعه هایی که با درجه عضویت مشخص میشوند (که هر عددی بین ٠ و ١ میتواند باشد) و تصمیم گیری برای فعالیت بعدی بر اساس یک سری قوانین و حرکت به مرحله بعدی است . سیستم استنتاج عصبی – فازی تطبیقی شامل بخش هایی از سیستم فازی معمولی خبره میباشد که محاسبات در هر مرحله به وسیله لایه های پنهان نرون و توانایی یادگیری شبکه عصبی ایجاد شده است تا اطلاعات سیستم را افزایش دهد (٩). ANFIS در ابتدا توسط جانگ (۶) معرفی گردید و از آن پس به عنوان یکی از ابزارهای تقریب ساز توابع حقیقی پیوسته (و با هر مقدار دلخواه درجه دقت ) در سطح جهانی مورد استفاده قرار گرفت (٧). این سیستم از نظر عملکرد مشابه سیستم های استنتاج فازی میباشد (٧). سامانه استنتاج عصبی – فازی تطبیقی به کار گرفته شده در تحقیق حاضر، معادل مدل فازی از مرتبه سوگنو میباشد (٧ و ٣). روند سیستم استنتاج عصبی- فازی تطبیقی در شکل ٢ نشان داده شده است که دارای مراحل زیر است :
١) فازی سازی: در این مرحله دادهها جهت ورود به مرحله بعد فازیسازی میشوند.
٢) استنتاج: تمام قوانین تصمیم گیری برروی دادههای فازی شده اعمال گردیده و با قوانین ” اگر و آنگاه” درستی آنها بررسی و تعیین میشود.
٣) فازی زدایی: نتایج فازی به دست آمده از مرحله قبل را با استفاده از روشهای مختلف همچون مرکز جرم و غیره به مقدار اولیه بر میگرداند.
ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان یکی از روش های یادگیری تحت نظارت ١ است که هم برای دسته بندی و هم رگرسیون قابل استفاده است . این روش توسط وپنیک (١۵) بر پایه تئوری یادگیری آماری٢ بنا نهاده شده است . SVM روشی برای طبقه بندی دوتائی در فضای ویژگیهای دلخواه است و از این رو روشی مناسب برای مسائل پیش بینی به شمار میرود (١٢). ماشین بردار پشتیبان در اصل یک دسته بندی کننده دو کلاسی است که کلاسها را توسط یک مرز خطی از هم جدا می کند. در این روش نزدیک ترین نمونه ها به مرز تصمیم گیری را بردارهای پشتیبان مینامند. این بردارها معادله مرز تصمیم گیری را مشخص میکنند. الگوریتم های شبیه سازی هوشمند کلاسیک مانند شبکه های عصبی مصنوعی، معمولا قدر مطلق خطا یا مجموع مربعات خطای دادههای آموزشی را حداقل میکنند، ولی مدلهای SVM، اصل حداقل سازی خطای ساختاری را به کار می گیرند (۵).
در یک مدل رگرسیونی SVM لازم است وابستگی تابعی متغیر وابسته y به مجموعه ای از متغیرهای مستقل x تخمین زده شود.
فرض براین است که مانند دیگر مسائل رگرسیونی، رابطه بین متغیرهای وابسته و مستقل توسط یک تابع معین f به علاوه یک مقدار اضافی نویز٣ مشخص میشود.

شکل ١- موقعیت مکانی ایستگاههای منتخب
Figure 1- The location of the selected station

بنابراین موضوع اصلی، پیدا کردن فرم تابع f است که بتواند به صورت صحیح ، موارد جدیدی را که SVM تاکنون تجربه نکرده است پیش بینی کند. این تابع به وسیله آموزش مدل SVM بر روی یک مجموعه داده به عنوان مجموعه آموزش که شامل فرآیندی به منظور بهینه سازی دائمی
تابع خطا است، قابل دسترسی است. بر مبنای تعریف این تابع خطا، دو نمونه از مدل های SVM شناخته شده است که عبارتند از الف) مدل های رگرسیونی SVM نوع اول که مدل های V- SVM نیز نامیده می شوند و ب) مدل های رگرسیونی SVM نوع دوم که با نام شناخته شده هستند. در این مطالعه به دلیل کاربرد گسترده آن در مسائل رگرسیونی مورد استفاده قرار گرفت . برای این مدل، تابع خطا به صورت زیر تعریف میشود:

تابع خطای فوق لازم است که با توجه به محدودیت های زیر کمینه گردد (١٠):

که در این روابط C ثابت گنجایش ، W بردار ضرایب ، ترانهاده بردار ضرایب ضرایب کمبود، b ضریب ثابت ،
N الگوهای آموزش مدل و  تابع کرنل است . اطلاعات کمی در مورد انتخاب تابع غیرخطی مناسب  در دسترس میباشد. ماشین های بردار پشتیبان برای حل مسائل غیرخطی، ابعاد مساله را از طریق توابع کرنل تغییر میدهند. انتخاب کرنل برای SVM به حجم دادههای آموزشی و ابعاد بردار ویژگی بستگی دارد. به عبارت دیگر، باید با توجه به این پارامترها تابع کرنلی را انتخاب نمود که توانایی آموزش برای ورودیهای مساله را داشته باشد. در عمل چهار نوع کرنل خطی ١،کرنل چند جمله ای ٢، کرنل تانژانت هیپربولیک ٣ و کرنل گوسی ۴ (RBF) به کار گرفته می شوند. در جدول ٢ معادلات برخی از کرنل های رایج ارائه شده اند.
در نهایت ، تابع تصمیم رگرسیون بردار پشتیبان غیرخطی به صورت معادله زیر خواهد بود که کنترل کننده میزان نوسان تابع گوسی و همچنین کنترل کننده نتایج پیش بینی و تعمیم دهنده مدل SVM است (١٧).

معیارهای ارزیابی مدل
در این تحقیق ، برای ارزیابی مدلهای مورد نظر از معیارهای ضریب همبستگی و جذر میانگین مربعات خطا استفاده میشود:

که در روابط فوق مقادیر مشاهداتی تبخیر و تعرق مرجع (به دست آمده از معادله فائو – پنمن – مونتیث ) در گام زمانی i ام، مقدار محاسبه شده در همان زمان، n تعداد دادهها و میانگین مقادیر مشاهداتی میباشد. هر چه مقدار ضریب همبستگی بالاتر و RMSE کمتر باشد، نتایج دقیق تر و قابل اعتمادتر خواهند بود.

نتایج
پارامترهای ورودی به مدلها
از آنجایی که توانمندی پیش بینی مدلهای هوشمند به انتخاب صحیح نوع اطلاعات ورودی در لایه اول بستگی دارد، بنابراین با ارائه مدل رگرسیونی، ارتباط بین متغیرهای مستقل هواشناسی و تبخیر و تعرق مرجع برای هریک از ایستگاهها مشخص گردید. نتایج رگرسیون برای هریک از ایستگاهها در جدول ٣ ارائه شده است . با توجه به این جدول چنین استنباط میشود که تابش خورشیدی و رطوبت نسبی به ترتیب بیشترین و کمترین اثرگذاری را در تبخیر و تعرق مرجع دارا هستند (به دلیل داشتن بزرگترین و کوچکترین ضرایب ).
در روابط فوق تبخیر و تعرق گیاه مرجع (میلیمتر در روز)، Tmin و Tmax: دمای هوای کمینه و بیشینه (درجه سانتیگراد)، RHave متوسط رطوبت نسبی (درصد)، U2 سرعت باد در ارتفاع دو متری (کیلومتر بر روز)، n تعداد ساعات آفتابی (ساعت ) و R تابش خورشیدی میباشد. براساس نتایج حاصله از جدول ٣ میتوان ترکیب ورودیهای مناسب و متغیرهای تاثیرگذار را تشخیص داد.
جدول ۴ ترکیب های مختلف ورودی و متغیرهای انتخاب شده برای مدلهای ANFIS و SVM را نشان میدهد. همانگونه که مشاهده میگردد رطوبت نسبی به دلیل تاثیرگذاری پایین از ترکیبات ورودی کنار گذاشته شده است . علاوه بر این مسئله تلاش گردید تا نقش و توانایی حافظه در پیش بینی تبخیر و تعرق مرجع نیز بررسی شود که بدین منظور از تاخیرهای زمانی یک، دو، سه و چهار ماهه استفاده شد.
نتایج مدل سازی ANFIS در مطالعه حاضر برای مدل سازی تبخیر و تعرق مرجع ماهانه با استفاده از ANFIS، داده های ۳۰ سال (از ژانویه ۱۹۷۳ تا دسامبر ۲۰۰۲) برای آموزش و ۸ سال (از ژانویه ۲۰۰۳ تا دسامبر ۲۰۱۰) به عنوان داده های صحت سنجی انتخاب شدند. به طور کلی ۸۰ درصد داده ها برای آموزش و ۲۰ درصد نیز برای تست در نظر گرفته شد. جدول ۵ توابع عضویت مورد استفاده در مدل ANFIS را برای مدل های مختلف نشان می دهد. در جدول ۶ نیز نتایج ارزیابی الگوهای مختلف ورودی ANFIS برای مدل سازی تبخیر و تعرق مرجع ماهانه در مراحل آموزش و صحت سنجی ارائه شده است. با توجه به این جدول می توان نتیجه گرفت که در کل عملکرد ANFIS در پیش بینی تبخیر و تعرق مرجع ماهانه بسیار مناسب می باشد.

اگر صرفا از حافظه خود سری تبخیر و تعرق ماهانه برای پیش بینی استفاده گردد، بر اساس جدول ۶ مشاهده میشود که دقت در ایستگاههای سنندج و زنجان در تاخیر چهارم زمانی به بیشترین مقدار خود میرسد و در ایستگاههای سقز، تبریز، ارومیه و خوی در گام زمانی سوم بیشینه دقت براساس شاخص های RMSE و R حاصل میگردد. با انجام مقایسه بین حالتی که از حافظه سری به عنوان ورودیهای مدل استفاده میشود (حالت اول) نسبت به حالتی که از متغیرهای هواشناسی در تخمین مقادیر تبخیر و تعرق بهره گرفته میشود (حالت دوم) میتوان نتیجه گرفت حالت دوم از دقت بیشتری برخوردار است اما اختلاف دقت بین دو حالت آنچنان زیاد نبوده و میتوان با بیشتر کردن میزان خطای قابل قبول در شرایطی که دادههای هواشناسی به طور کامل در دسترس نباشد از حافظه تبخیر و تعرق به عنوان ورودیهای مدل استفاده کرد. همچنین جدول ۶ نشان میدهد که مدل ANFIS با ورودیهای دمای بیشینه ، متوسط و کمینه ، تابش خورشیدی و سرعت باد (M8) بهترین عملکرد را برای تمامی ایستگاههای مورد مطالعه داشته است . الگوی M5 نیز با ورودیهای دمای بیشینه و کمینه پایین ترین دقت و بیشترین خطا را در تخمین تبخیر و تعرق ماهانه برای تمامی ایستگاهها ارائه کرده است . بررسی و مقایسه مقادیر پارامترهای RMSE و R ارائه شده در جدول ۶ برای مدل M8 نیز نشان میدهد که اختلاف تک تک مقادیر پیش بینی شده در مرحله صحت سنجی برای سیستم استنتاج عصبی- فازی تطبیقی تا حدود زیادی با مقادیر محاسبه شده از رابطه پنمن – فائو- مونتیث متناظر است . مقدار RMSE برای کل مدلهای ANFIS ارائه شده بین ١.۵٩ تا ٠.٠۴ میلیمتر در روز متغیر بود، که این مقادیر کم نشان دهنده دقت بالای پیش بینی میباشد. شکل ٣ نمودارهای پراکندگی مقادیر مشاهداتی و تخمینی حاصل از الگوی M8 را برای ایستگاههای مورد مطالعه نشان میدهد.

نتایج مدلسازی SVM
در مطالعه حاضر برای مدلسازی تبخیر و تعرق مرجع ماهانه با استفاده از روش SVM، دادههای ٣٠ سال (از ژانویه ١٩٧٣ تا دسامبر ٢٠٠٢) برای آموزش و ٨ سال (از ژانویه ٢٠٠٣ تا دسامبر ٢٠١٠) به عنوان دادههای صحت سنجی انتخاب شدند. در مرحله بعد مقادیر بهینه مشخصه های مدل SVM شامل ε و C تعیین میگردد.
همچنین در این مطالعه تابع کرنل مورد استفاده، تابع RBF انتخاب شد چرا که از دقت بهتری در برآورد تبخیر و تعرق مرجع ماهانه برخوردار بود. در این تابع نیز مشخصه γ بایستی تعیین گردد. بنابراین در حالت کلی برای پیش بینی تبخیر و تعرق توسط مدل SVM رگرسیونی، لازم است که مقادیر بهینه سه مشخصه مذکور به دست آید که بدین منظور دو مشخصه ε و C توسط الگوریتم بهینه سازی جستجوی شبکه ١ و متغیر γ نیز به صورت آزمون و خطا محاسبه شد.
البته قابل ذکر است که الگوریتم بهینه سازی جستجوی شبکه بسیار کند عمل میکند و زمان محاسباتی زیادی را به خود اختصاص میدهد. برای حل این مشکل ، طبق توصیه چن و یو (١) از برنامه اصلاح شده الگوریتم جستجوی شبکه که به نام الگوریتم جستجوی شبکه دو مرحله ای ٢ معروف است به همراه اعتبارسنجی متقاطع ٣ استفاده شد. برای این منظور ابتدا با انتخاب شبکه هایی با ابعاد بزرگ محدوده مشخصه های ε و C به ازای مقدار ثابت مشخصه γ تعیین شد. سپس با مشخص شدن محدوده مذکور و تقسیم آن به شبکه -هایی با ابعاد ریزتر مقادیر دقیق دو مشخصه ε و C مشخص شدند
.روند مذکور برای دیگر مقادیر γ نیز تکرار شد و بدین طریق مدلهای متفاوتی با تغییر در مقدار γ حاصل شدند. حال میتوان از بین مدل -های توسعه داده شده مدل با کمترین خطا را تعیین کرده و مشخصه – های آن را به عنوان مقادیر بهینه ε،C و γ انتخاب نمود. در جدول ٧ مقادیر بهینه ε،C و γ برای تمامی ورودی های مدل SVM ارائه شده است .
در مطالعه حاضر از مدل SVM نیز با همان الگوهای ورودی ANFIS برای تخمین تبخیر و تعرق مرجع ماهانه استفاده شد. برای هر الگوی ورودی با تغییر ε،C و γ شبکه های مختلفی ساخته و آموزش داده شد و در نهایت ساختاری که دارای کمترین خطا و بیشترین دقت بود، به عنوان مناسب ترین الگو انتخاب شد. جدول ٨ شاخص های آماری مربوط به نتایج حاصل از کاربرد مدل SVM را برای هر الگوی ورودی نشان میدهد. با توجه به این جدول میتوان نتیجه گرفت که در کل عملکرد SVM در پیش بینی تبخیر و تعرق مرجع ماهانه بسیار مناسب میباشد. حال اگر از حافظه خود سری تبخیر و تعرق ماهانه برای مدلسازی استفاده گردد، براساس جدول ٨ مشاهده میشود که دقت مدلسازی رفته رفته تا چهار تاخیر زمانی رو به بهبود بوده و در تمامی ایستگاهها در گام زمانی چهارم بیشینه دقت براساس شاخص های RMSE و R حاصل میگردد. با انجام مقایسه بین حالتی که از حافظه سری به عنوان ورودیهای مدل استفاده میشود (حالت اول) نسبت به حالتی که از متغیرهای هواشناسی در تخمین مقادیر تبخیر و تعرق بهره گرفته میشود (حالت دوم) به مانند مدل ANFIS، حالت دوم از دقت بیشتری برخوردار است .

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 28 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