بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
کاربرد شبکه عصبی در پیش بینی دبی رودخانه دز
چکیده: امروزه شبکه های عصبی مصنوعی به عنوان ابزاری قدرتمند در مدلسازی سیستم های غیر خطی و پیچیده بکار گرفته می شود. هدف اصلی از این مقاله استفاده از این تکنیک به منظور ارزیابی قابلیت و اصلاح پذیری شبکه عصبی در شناسایی پیش بینی دبی رود خانه دز است.
برای آموزش و پیش بینی از داده های دبی ماهانه ١٢ ساله رودخانه دز استفاده شده که از مجموع ١٤٤ داده ١١٦ تا برا ی آموزش و بقیه داده ها برای پیش بینی در نظر گرفته شده اند. در این تحقیق از شبکه های پرسپترون چند لایه و ادالاین استفاده گردیده است. برای بهینه سازی از الگوریتم پس انتشار خطا (BPE) استفاده شد. در این روش اختلاف خروجی محاسبه شده و خروجی اندازه گیری شده (واقعی) به صورت خطا در نظر گرفته شده و از لایه آخر روی مقادیر وزنهای بین لایه ها توزیع میشود و آنها را اصلاح می کند. نتایج بدست آمده قابلیت پیش بینی در شبکه های عصبی آدالاین را نسبت به شبکه های عصبی پرسپترون نشان می دهد.
کلمات کلیدی: شبکه عصبی ، آدالاین، پرسپترون چند لایه ، پیش بینی جریان
١-مقدمه
از آنجایی که پیش بینی در منابع آب از اهمیت زیادی برخوردار است محققین روشهای مختلفی را بکار میگیرند.
متداولترین روشها تاکنون استفاده از سریهای زمانی بوده است که در مقابل عدم قطعیت ها و سیستم های پیچیده پاسخ گو نمی باشد. امروزه استفاده از شبکه های عصبی که از قابلیت بسیار بالای یادگیری برخوردارند و توانایی به القوه در مقابل سیستمهای پیچیده از خود نشان داده اند در رشته های مختلف مهندسی آب روز به روز بیشتر می شود.
اشراف زاده و همکاران [1] از شبکه عصبی در برآورد تبخیر از سطح آب آزاد مربوط به ایستگاه کرج استفاده کردند.
آنها نتیجه گرفتند که با وارد کردن پارامترهای موثر بیشتر و داده های بیشتر می توان به جواب های بهتری دست یافت. ساداتی و همکاران[3 ] از شبکه عصبی پرسپترون چند لایه برای پیش بینی دبی رودخانه کسیلیان استفاده کردند. آنها از داده های ماهانه هفت سال برای آموزش و دو سال برای پیش بینی استفاده و به این نتیجه دست یافتند که پراکندگی داده نقش مهمی در آموزش شبکه ایفاد می کند.
بنی حبیب و همکاران[2] از شبکه عصبی پرسپترون چند لایه برای تخمین آب شستگی اطراف دماغه آب شکن ها استفاده کردند. آنها معتقدند که شبکه عصبی قابلیت مدل کردن آب شستگی را دارد. منتظر و همکاران[5,8] به منظور برآورد حداکثر عمق آبشستگی دماغه آبشکنها از شبکه عصبی با توابع پایه شعاعی استفاده کردند. درخشان و همکاران [7] از شبکه عصبی برای بررسی مسائل زیست محیطی رودخانه کر در استان فارس استفاده کردند. منتظر و همکاران[6] برای تخمین عمق آبشستگی پایه های پل از شبکه عصبی استفاده کردند. Karunanity et al [10] به منظور پیش بینی دبی جریان رودخانه از شبکه عصبی استفاده کردند. Yonas [9]برای توسعه مدل دو بعدی هیدرودینامیکی از شبکه عصبی استفاده کرد و به نتایج قابل قبول رسیده است. در این تحقیق برای پیش بینی دبی رودخانه دز به روش مقایسه ای، شبکه عصبی پرسپترون سه لایه را با شبکه عصبی آدالاین و پس انتشار خطا (BP)
استفاده نموده ایم. نتایج بدست آمده قابلیت آموزش و پیش بینی در شبکه های عصبی آدالاین را نسبت به شبکه های عصبی پرسپترون سه لایه نشان می دهد.
٢-شبکه های عصبی مصنوعی
استفاده از شبکه های عصبی از اوایل قرن بیستم شروع شد ودر دهه های اخیر گسترش بیشتری یافته است و از آنجا که شیوه پردازشی آن شبیه به مغز انسان است زمانی که اطلاعات بیشتری از چگونکی مغز و نرونهای بیولوﮊیک به دست بیاید پیشرفتهای بیشتری در زمینه کاربرد آن در مهندسی حاصل خواهد شد. مهمترین عنصر در پردازش در سیستمهای زیستی نرون است. در شبکه عصبی مصنوعی هر نرون زمانی فعال می شود که مجموع سیگنالهای رسیده به بدنه آن از حد آستانه مشخصی تجاوز نماید. هر نرون تعداد ورودی را از داده های اصلی و یا از خروجی نرونهای دیگر دریافت می کند. اتصالاتی که بین نرونها وجود دارد دارای وزن هستند. این وزنها در هنگام عبور داده ها از آن اتصال در داده عبوری ضرب می شوند. شبکه عصبی مصنوعی از سه نوع لایه ورودی، میانی و خروجی تشکیل شده است. شبکه های عصبی مصنوعی قادرند با تنظیم پارامترها تفاوت میزان خروجی تولید شده و مقادیر واقعی را کاهش
دهند (شکل شماره١ ). Wn
W1
بردار ورودی
بردار خروجی
لایه خروجی لایه ورودی لایه های میانی
شکل شماره١ : ساختار کلی یک شبکه عصبی پرسپترون چند لایه
لایه اول یا لایه ورودی شامل اندازه گیریها است و لایه آخر یا لایه خروجی مقادیری است که شبکه محاسبه می کند.
در هر لایه تعدادی گره یا سلول عصبی وجود دارد. این گره ها از طریق وزن ها به گره های بعدی متصل می شوند. هر گره دو قسمت دارد که در قسمت اول مجموع حاصلضرب مقادیر و وزنها و در قسمت دوم تابع تحریک که این مقادیر از آن عبور و به لایه بعدی می روند.
اجرای شبکه عصبی در دو مرحله صورت می گیرد یکی مرحله آموزش و دیگری مرحله آزمایش شبکه است. در مرحله آموزش داده ها ورودی و خروجی به سیستم نشان داده می شود با اصلاح وزنها مقادیر خروجی محاسبه شده به مقادیر اندازه گیری شده نزدیک می شود. در مرحله آزمایش ورودیهای جدید در دامنه تغییرات داده های قبلی به سیستم وارد می شوند و خروجی های آن ثبت می گردد. با مقایسه خروجی های مرحله دو با مقادیر واقعی کارایی شبکه ارزیابی می شود. [3] در این تحقیق از شبکه عصبی پرسپترون چند لایه و شبکه عصبی آدالاین و برای بهنگام سازی از الگوریتم پس انتشار خطا((FBP استفاده شد.
٢-١-شبکه های پرسپترون چند لایه
شبکه استفاده شده از یک لایه ورودی با ٣ ورودی و یک لایه پنهان با ١٠ گره و یک لایه خروجی با یک گره تشکیل شده است که بصورت پیش رو عمل می کند .تابع پایه بصورت زیر محاسبه می شود.
که i مشخص کننده لایه قبل و J مشخص کننده لایه بعد است. توابع تحرک مختلفی مانند توابع خطی مثبت، تانژانت هیپربولیک، زیگموئید، میتوان استفاده کرد که در این تحقیق از تابع زیگموئید تک قطبی به صورت زیر استفاده شده است.
که در آن مقدار c با سعی و خطا بدست می آید.
٢-٢- شبکه آدالاین
شبکه عصبی آدالاین ساختاری شبیه به پرسپترون دارد ولی تابع تحرک آن خطی است و از این رو برای تقریب خطی توابع مورد استفاده قرار می گیرد .[4] شکل شماره ٢ شبکه عصبی آدالاین را نشان می دهد در اینجا مقادیر دبی دو ماه متوالی بعنوان ورودی و مقدار ماه سوم به عنوان خروجی در نظر گرفته شد .تابع استفاده شده برابر است با :
‚ ai=wi*input +bکه ورودی ها بجای x1,x2 مقادیر.x1,x2,x1x2,x12,x22 است و وزنها یصورت اتفاقی بین ٠١/٠ تا ١ انتخاب می شوند. پس از اعمال ورودی به شبکه، خروجی شبکه a با خروجی مطلوب مقایسه می شود و سیگنال خطایی ایجاد می گردد که شبکه از این سیگنال خطا برای تنظیم خود استفاده می کند.
