جواد ملک زاده - دانشجوی کارشناسی ارشد هوش مصنوعی، موسسه آموزش عالی روزبهان،
مجید آقابابایی - استادیار دانشکده مهندسی برق و الکترونیک دانشگاه علوم دریایی امام خمینی )ره(،

تکنیک های شبکه عصبی برای تقریب توابع غیر خطی در خیلی از زمینه ها به طور موفقیت آمیز اعمال شده است و دقت بالاتری را در پیش بینی نسبت به مدل های دیگر داده کاوی ارائه کرده است. در این مقاله با انجام تکنیکی جدید درترکیب کردنمدلهای شبکه عصبی دقت پیش بینی شبکه را افزایش داده و سازگاری آن را حداکثر می کنیم. در این مطالعه از دیتاست داده های هواشناسی مربوط به سطح اوزون در هوا که یک مسئله غیر خطی چند متغیره هست استفاده می شود. مجموعه داده های هواشناسی،شامل 333 نمونه از غلظت اوزون اتمسفر در حوزه لس آنجلس در سال 6791 می باشد که به صورت روزانه اندازه گیری شده است .برای دیتاست بهترین متغیر ها برای پیشگویی انتخاب می شود سپس شبکه عصبی MLP (multilayer Perceptron) با سه لایه، برای هر مجموعه داده با استفاده از این متغیرها مدلهای پیش بینی را به صورت جدا و ترکیبی می سازد. درانتها با استفاده از نشان دادن تکنیکی جدید در ترکیب خروجی های مدلهای شبکه عصبی بهترین نتایج را استخراج می کنیم. نتایج نشان می دهد مدل ترکیب پیشنهاد شده، دقت پیش بینی نسبت به هر مدل شبکه عصبی را افزایش داده و عملکرد را بهبود بخشیده است

شبکه های عصبی مصنوعی ) ANNs ( ، مدل های ترکیبی ، پیش بینی ،داده کاوی ) Data mining ( ، رگرسیون خطی