بخشی از مقاله
چکیده:
در حال حاضر پیش بینی هواشناسی بطور سیستماتیک در هوانوردی ، دریا نوردی ، کشاورزی و سایر خدمات ،کاربرد ویژه ای دارد. همچنین با وقوع پدیده هایی مانند آلودگی هوا، سیل،خشکسالی، پیشبینی آب و هوا به عنوان یکی از موضوعات مهم پژوهشگران تبدیل شدهاست. لذا برای جلوگیری از این رویدادها نیازمند مدلی جهت افزایش دقت تخمین و کاهش خطا می باشیم
در این مقاله هدف اصلی ارائه روش جدیدی برای کاهش خطا بااستفاده از ترکیب شبکه عصبی و الگوریتم ژنتیک می باشد. همچنین آزمایش روی داده های واقعی، از داده های هواشناسی نجف آباد در طی سال های 2015- 2012 به صورت روزانه و روی 22 ویژگی مرتبط با وضعیت آب و هوای این منطقه، انجام شده است. نتایج به دست آمده به خوبی نشان دهنده کاهش خطا با استفاده از مدل پیشنهادی نسبت به روش های موجود می باشد.
.1 مقدمه
در سالهای اخیر خسارتهای ناشی از خشکسالی، سیل، طوفان، آلودگی هوا و غیره در بسیاری از مناطق جهان رشد صعودی داشته است که پیش بینی بارش در مدیریت و هشدار معضل وقوع این پدیده ها نقش مهمی بر عهده دارد. به منظور جلوگیری از خسارات ناشی از سیل و طوفان و سعی در کنترل ومهار آن، ضرورت و اهمیت پیش بینی بارش امری اجتناب ناپذیر به نظر می رسد. زیرا با اطلاع از میزان بارندگی ، می توان امکان وقوع خشکسالی ، سیل و طوفان را در منطقه، پیش بینی و اقدامات لازم را به عمل آورد.
در مناطق آسیب پذیر ، ایجاد یک ساختارهای دفاعی در برابر سیل و خشکسالی مهم و جدی است و پیش بینی به موقع بارش نیز عاملی بوده که برای مقابله با سیل و طوفان وخشکسالی و اهداف مدیریتی آن از اهمیت بیشتری برخوردار است. با توجه به اینکه پیش بینی بارش تابع عوامل بسیاری از جمله فشار ، دما ، باد، رطوبت نسبی می باشد، و همچنین محدودیت هایی از قبیل نبود اطلاعات بارش در مقیاس های زمانی و مکانی مناسب ، استفاده از روش های معمول از پیچیدگی های زیادی برخوردار است. تحلیل نتایج خروجی مدل شبکه عصبی نشان داده که این مدل توانایی بهتر و دقت بالایی برای پیش بینی بارش نسبت به روش های آماری معمول داشته است و با افزایش فاکتورهای ورودی ، این شبکه دقت بالاتری را در پیش بینی ارائه می دهد. همچنین پیش بینی با استفاده از ترکیب ساختار شبکه عصبی با الگوریتم ژنتیک، در مقایسه با شبکه عصبی به تنهایی، نتایج و عملکرد بهتری دارد
.2 موقعیت مکانی ایران
ایران به طور کلی سرزمینی خشک و بری است. جز دامنه های مشرف به دریای خزر، کوه های البرز و نیز دامنه های غربی کوهستان زاگرس که از بارش نسبتاً قابل توجهی برخوردارند، بقیه نواحی کشور کمابیش از این موهبت طبیعی محروم هستند و اغلب جزو خشک ترین نواحی کره زمین به شمار می آیند.
.3 الگوریتم ژنتیک
ایده ی اصلی الگوریتمهای تکاملی در سال 1960 میلادی توسط ریچنبرگ مطرح گردید. الگوریتم ژنتیک الهامی از علم ژنتیک و نظریه تکامل داروین است و بر اساس بقای برترینها یا انتخاب طبیعی استوار است. یک کاربرد متداول الگوریتم ژنتیک، استفاده از آن به عنوان تابع بهینه کننده است.
.1,3 ساختار الگوریتم ژنتیک
به طور کلی، الگوریتم ژنتیک از اجزاء زیر تشکیل میشود :
. کروموزوم در الگوریتم ژنتیک، هر کروموزوم نشان دهنده یک نقطه در فضای جستجو و یک راهحل ممکن برای مسئله مورد نظر است. خود کروموزومها - راهحلها - از تعداد ثابتی ژن - متغیر - تشکیل میشوند. برای نمایش کروموزومها، معمولاً از کدگذاریهای دودویی - رشتههای بیتی - استفاده میشود.
جمعیت مجموعه ای از کروموزومها یک جمعیت را تشکیل میدهند. با تاثیر عملگرهای ژنتیکی بر روی هر جمعیت، جمعیت جدیدی با همان تعداد کروموزوم تشکیل میشود.
تابع تناسب به منظور حل هر مسئله با استفاده از الگوریتم ژنتیک، ابتدا باید یک تابع تناسب برای آن مسئله ابداع شود. برای هر کروموزوم، این تابع عددی غیر منفی را برمیگرداند که نشان دهنده شایستگی یا توانایی فردی آن کروموزوم است.
عملگرهای ژنتیکی در الگوریتم ژنتیک، در طی مرحله تولید مثل ازعملگرهای ژنتیکی استفاده میشود. با تاثیر این عملگرها بر روی یک جمعیت، نسل بعدی آن جمعیت تولید میشود. عملگرهای انتخاب، ادغام و جهش معمولاً بیشترین کاربرد را در الگوریتم ژنتیک دارند
.4 شبکه عصبی
ساختار شبکه تعیین میکند که شبکه از چند نرون تشکیل یافته و چگونه این نرونها در شبکه آرایش گرفته و به چه شکل به همدیگر متصل شده اند. شبکه های عصبی از تعداد زیادی نرون های بهم پیوسته یا واحدهای پردازشگر تشکیل شده اند. ساختار عادی یک شبکه عصبی مصنوعی،معمولاً از لایه ورودی، لایه های میانی یا پنهان و لایه خروجی تشکیل شده است. لایه ورودی یک لایه انتقال دهنده و وسیله ای برای تهیه کردن داده هاست. لایه خروجی شامل مقادیر پیش بینی شده به وسیله شبکه است و لایه پنهان محل پردازش داده هاست. شمار لایه ها و شمار نرون ها در هر لایه پنهان، به طور معمول به وسیله روش آزمون و خطا مشخص می شود
1,4 مفهوم نرون
نرون کوچکترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکه های عصبی را تشکیل می دهد. ساختارهای مختلف شبکه های عصبی مصنوعی، از ترکیب و کنار هم گذاشتن تعداد زیادی از این نرون ها به وجود می آید.
2,4 پرسپترون تک لایه
یکی از ساده ترین انواع شبکه های پرسپترون نوع یک لایه آن میباشد. در این شبکه وزن ها و بایاسها میتوانند برای تولید یک هدف مشخص آموزش داده شوند. این شبکهها مخصوصا در حل مسائل ساده، بسیار مناسب هستند. این نوع شبکه عصبی در حل مسائل، بسیار سریع و قابل اطمینان - - Santosh,2013 استیک پرسپترون فقط قادر است مثالهائی را یاد بگیرد که بصورت خطی جداپذیر باشند.
3,4 پرسپترون چند لایه
یک شبکه عصبی مصنوعی متشکل از نرون های مصنوعی میباشد که در واقع همان عناصر پردازشی هستند - حسام نظری - شبکه های پرسپترون چند لایه از چندین لایه برای پردازش داده ها تشکیل شده که برخلاف پرسپترون تک لایه، شبکه های چندلایه میتوانند برای یادگیری مسائل غیرخطی وهمچنین مسائلی با تصمیم گیری های متعدد بکار روند.
4,4 آموزش و یادگیری شبکه عصبی
به طور کلی، آموزش فرآیندی است که به وسیله آن شبکه عصبی، خود را برای یک محرک سازگار می کند. به نحوی که بعد از تعدیل مناسب پارامترهای شبکه پاسخ مطلوب را ارایه دهد. همچنین شبکه های عصبی در حین آموزش وظیفه دسته بندی هر یک از محرک ها را به عهده دارد. یعنی وقتی که یک محرک به شبکه اعمال می شود یا آن را تشخیص داده در دسته های موجود قرار می دهد و یا دسته های جدیدی به وجود می آورد.
1,4,4 آموزش با نظارت
در این شیوه آموزش ورودی های شبکه و خروجی های متناظر با آن ها از قبل مشخص می باشند. در حین آموزش ورودی به شبکه عصبی اعمال می شود و شبکه در پاسخ به آن ورودی محرک پاسخ خروجی را نتیجه می دهد. این خروجی با خروجی مطلوب که اصطلاحا خروجی هدف گفته می شود مقایسه می گردد . حال اگر خروجی واقعی با خروجی مطلوب مغایرت داشته باشد شبکه یک سیگنال خطا تولید می کند که از این سیگنال خطا برای میزان تغییری که باید بر وزنه های سیناپس اعمال شود استفاده می گردد.
به عبارت دیگر خطا را کاهش می دهیم و در صورت امکان آن را به صفر می رسانیم. این روند حداقل نمودن خطا به یک مدار ویژه به نام معلم یا ناظر نیاز دارد که عمل مقایسه خروجی واقعی و خروجی مطلوب را انجام می دهد و شبکه را با توجه به این میزان سیگنال خطا تعدیل می نماید، تا اینکه آموزش لازم را ببیند. به همین دلیل به این شیوه آموزش آموزش با نظارت گفته می شود.
