بررسی الگوریتم های یادگیری ماشین مبتنی بر گرادیان پایه در تخمین میزان آلاینده (SO(۲ هوای شهرستان میبد

یادگیری ماشین یک روش مدلسازی داده ها است به نحوی که "مدل"، محصول نهایی یادگیری ماشین است. شبکه هایعصبی مصنوعی (ANNs) به عنوان یکی از روشهای یادگیری ماشین یک رویکرد جایگزین برای تحلیل های آماری سنتی است و دارای مزایایی نظیر ماهیت داده محور، پیشبینی های بدون مدل و قابلیت تحمل خطای داده ها می باشد. شبکه هایعصبی قادرند روابط پیچیده غیرخطی را مدلسازی کرده و هر تابع قابل اندازه گیری را تقریب بزنند. اهمیت فرآیند آموزشدر شبکه های عصبی از آنجا ناشی می شود که در واقع هدف، جستجویی برای یافتن مجموعه وزن ها است که باعث می شوداین شبکه ها کمترین خطا را برای یک مجموعه آموزشی داشته باشند. الگوریتم پس انتشار خطا (Backpropagation) درواقع نوعی نزول گرادیان است که به محاسبه گرادیان هر وزن در شبکه های عصبی برای هر نمونه آموزشی اشاره می کند. دراین مطالعه با به کارگیری هشت الگوریتم یادگیری ماشین مبتنی بر گرادیان پایه سعی در تخمین میزان آلاینده (SO(۲ هوای شهرستان میبد گردیده است که طی آن مشخص شد، الگوریتم CGFکه مقادیر وزن و بایاس را مطابق با پردازش مجدد گرادیان مزدوج با به روزرسانی های فلیچر – ریوز، به روز می کند از قابلیت تخمین و اعتماد بالایی به نسبت سایر الگوریتم های مورد مطالعه برخوردار است. از طرفی این مطالعه نشان داد که معماری شبکه های عصبی شامل نوع شبکه، تعداد لایه های پنهان و نیز تعداد نرون ها در هر لایه، چه تاثیری در دقت الگوریتم های گرادیان پایه دارد.

Keywords:

یادگیری ماشین , مدل سازی , شبکه های عصبی مصنوعی , الگوریتم های گرادیان پایه , پس انتشار خطا , نزول گرادیان , گرادیان مزدوج , فلیچر – ریوز , آلاینده هوا , (SO(۲