طراحی یک سیستم فازی-عصبی خود سازمانده با قابلیت یادگیری برخط در پیش بینی بلند مدت بارش فصلی باران در شهر مشهد
Publish place: 11th Intelligent Systems Conference
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 796
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICS11_102
تاریخ نمایه سازی: 14 مهر 1392
Abstract:
در این مقاله یک سیستم فازی- عصبی خود سازمنده با قابلیت یادگیری بر خط (OSO-NFS) برای پیش بینی بلند مدت بارش فصلی باران در شهر ارائه شده است. ابتدا در این سیستم هیچ نودی در لایه ی پنهان وجود ندارد و در طی فرایند آموزش چنانچه معیارهای تولید قوانین ارضاء شونده نرون RBF به لایه ی پنهان اضافه می شود. پارامترهای قانون جدید به فرم تاکاگی-سوگنو با استفاده از الگوریتم آموزش RLS برای قابلیت یادگیری خط و افزایش سرعت همگرایی، تخمین زده می شوند. بعد از فرایند ایجاد قانون جدید، کارایی سیستم محاسبه شده و قوانینی که تاثیر کمتری در کارایی سیستم دارند هرس می شوند، ویژگی های اصلی این مقاله عبارت است از: 1) استفاده معیار جدید درجهی تطبیق و معیار متداول فاصله در فاز رشد قوانین 2) ارائه یک الگوریتم هرس جدید بر اساس چگالی که چگالی تعداد دفعاتی است که یک قانون آتش می شود، هر بار که یک الگو توسط یک قانون پوشش داده می شود به چگالی آن قانون یک واحد اضافه می گردد در پایان قانونی که کمترین چگالی را داشته باشد از بین قوانین هرس می شود 3) ترکیب توابع عضویت مشابه و تغییر عرض آنها به منظور افزایش کارایی سیستم 4) ایجاد قوانین فازی بدون استفاده از الگوریتم پس از انتشار خطا. نتایج شبیه سازی با بررسی عملکرد سیستم بر روی داده های سری زمانی بارش باران و مقایسه با دوروش GEBF-OSFNN و ANFIS حاکی از دقت و کارایی بالاتر روش پیشنهادی در پیش بینی باران و ساختار فشرده تر الگوریتم پیشنهادی نسبت به دو روش دیگر است
Keywords:
Authors
شیرین ریخته گر مشهد
دانشگاه آزاد اسلامی واحد مشهد، گروه کامپیوتر
محمد رضا اکبرزاده توتونچی
عضو هیئت علمی گروه کامپیوتر و برق دانشگاه فردوسی مشهد
سید جواد سید مهدوی چابک
استادیار دانشگاه آزاد اسلامی واحد مشهد، گروه کامپیوتر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :