یک روش جدید در پیش بینی بارندگی توسط شبکه های عصبی

دراین تحقیق یک الگوریتم یادگیری جدید برای شبکه های عصبی تحت عنوان الگوریتم یادگیری پس از انتشار خطای فازی تصادفی RFBP معرفی می شود براساس این الگوریتم جدید نه تنها قابلیت یادگیری شبکه بالا می شود بلکه قابلیت رهایی از مینیمم محلی هنگامیکه شبکه در حال اموزش است نیز افزایش می یاید سپس کارایی این الگوریم با کارایی انواع الگوریتم پس انتشار خطا مقایسه می شود مدل تحت اموزش این دو الگوریتم مدل شبکه عصبی پرسپترون چند لایه MLP است که الگوی بارش را فراگرفته و از یادگیری های خود جهت پیش بینی بارندگی با درجه بالایی از قابلیت اطمینان استفاده می کند این مدل با الگوریتم پس انتشار خطای فازی تصادفی و الگوریتم پس انتشار خطا اموزش داده می شود و نتایج با همدیگر مقایسه می شود با مقایسه دقت عملکرد این دو الگوریتم اموزش ملاحظه می شود که الگوریتم پس انتشار خطای فازی تصادفی عملکرد بهتری نسبت به الگوریتم پس انتشار خطا دارد.

Keywords:

شبکه های عصبی , الگوریتم یادگیری , پس انتشار خطا , پس انتشار خطای فازی تصادفی , پیش بینی بارندگی