مدلسازی عدمقطعیت در الگوهای بارش فصلی با استفاده از روشهای کلاسیک فازی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 582

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

IIEC12_024

تاریخ نمایه سازی: 8 آبان 1395

Abstract:

یکی از مهمترین چالشهایی که اساساً فراروی مدیران و تصمیمگیرندگان وجود داشته ودر اغلب موارد تصمیمات آنان را دچار مشکل مینماید، نبود اطلاعات کافی و عدم قطعیت موجود در مسائل دنیای واقع میباشد. امروزه این کمبود کمی ویا کیفی اطلاعات و دادههای مورد نیاز، سبب شده تا علیرغم وجودروشهای متعدد پیشبینی، هنوز حصول نتایج دقیق کار چندان سادهای نباشد.الگوهای مربوط به میزان بارشهایفصلی از جمله مسائل دنیای واقعی هستندبهطور ذاتی الگوهای ب سیارپیچیده و غیرقطعی دارند. بههمین دلیل اطمینان و اعتبار سامانههای پیشبینی بدون درنظر گرفتن کامل عدم قطعیت موجود دراینگونه از سیستمهای واقعی، در حالتکلی قابل تأمین نخواهد بود.مدل های پیشبینی فازی از جمله مهمترین روشهای موجود در ادبیات موضوع بهمنظورمدلسازی عدمقطعیت موجود در دادهها میباشند. اینگونه از مدلها همچنین بهدلیل استفاده از منطق فازی، نیازمند دادههای کمتری بوده و اصولاًمدلهای منا سبتری در شرایط دادههای قابلح صول کم میبا شند. در این مقاله بهمنظور برطرف نمودن محدودیتهای مدلهای خودرگر سیون میانگین متحرک انبا شته ف صلی کلا سیک در مدل سازی ابهام موجود در دادهها و همچنین حصول نتایج دقیقتر در محیطهایی با درجه عدمقطعیت بالا، اینگونه ازمدلها با منطق فازی ترکیب گردیدهاند. بهمنظور ارزیابی عملکرد روش ترکیبی پیشنهادی که بهطور خلاصه مدل خودرگرسیون میانگین متحرک فصلی فازی نامیده می شود، این مدل برای پیشبینی میزان بارشهای ف صلی شهر ستان ا صفهان مورد ا ستفاده قرارگرفته و نتایج آن با مدلهای ف صلی کلا سیکمقایسه شده است. نتایج حاصله در پیشبینیهای نقطهای و پیشبینیهای بازهای بیانگر کارآمدی و برتری روش ترکیبی پیشنهادی بر مدلهای خودرگرسیون میانگین متحرک انباشته فصلی کلاسیکبوده است.

Keywords:

پیشبینی سریهای زمانی , ابهام و عدمقطعیت , مدلهای خودرگرسیون میانگین متحرک انباشته فصلی کلاسیک , منطق و روشهای فازی , الگوهای فصلی , پیشبینی بارش باران

Authors

زهرا حاجی رحیمی

دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان

مهدی خاشعی

دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان، اصفهان

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 :
  • Lim, E.P. , Hendon, H.H. , Hudson, D. , Wang, ...
  • Khashei, M. B _ ari, M. , Raissi, GH A., ...
  • _ ox, G .P, Jenkis, G.M. , 1976. Time series ...
  • Tanaka, H, 1987. Fuzzy data Analysis by possibility linear Models, ...
  • Burlando, p., Montana , A., R, Raze., 1996. Forecasting of ...
  • Venkatesan, C. , Raskar, S .D., Tambe, S .S. , ...
  • Toth, E. , Brath, A. , Montanari, A., 2000). Comparison ...
  • Pongracz, R., Brtholy , J..Bgardi, H., 2001. Fuzzy rule- Based ...
  • Okorie, I.E., Akpanta, A., C., 20 15.Threshold Excess Analysis of ...
  • kajornrit, J. , Kokwai, _ .chunche, fung .yew soon, ong, ...
  • Fi john, chang ..Yen, ming, chaing., Mengjung, Tsai. , M ...
  • Etuk, H.E, Moffat U.I ., Chims E.B., 2013. Modeling Monthly ...
  • Mahsin, M, .Akter, Y., M, Begum., 2012. Modeling rainfall in ...
  • Chadwick, E.. Coppol, F., Giorgi., 2011 _ An Artificial Neural ...
  • Afshin, S., Fahmi, H. , Alizadeh, A. , Sedghi, H., ...
  • Wu, C.L..WChau, K..Fan, C., 2010. prediction of rainfall Time series ...
  • Nourani, V., Komasi, M. , Man, A., 200)9. A multivariate ...
  • Mahvi.I., Kaushik, S., Singh., 2008. Seasonal ARIMA model for forecasting ...
  • Nasseri, M., Asghari, K., Abedini, Mj., 2008. Optimized scenario for ...
  • Suraj it, chattopadhyay _ , 2007. Feed Forward Artificial Neural ...
  • Somvansh, v.K. , andey, O.P.P. , Agrawal, P, K 0 ...
  • M ari _ , cleofevalverde , Ramirem, HaroldoFrage de Campos ...
  • Francios, Antil, Doha., Guy tape 0 , 2004. An exploration ...
  • Abrahart, R.J., 2003. Neural Network rainfall-run off forecasting, j .Hydroinf, ...
  • Gamal, Ahmed. .Daniel, E]-Din. , Smith, W., 2002, A neural ...
  • Khashei, M., F , M okhatabRafie _ , Bijari, M., ...
  • Khashe, M., Bijari, M., Hejazi.S..R.. 2012. Combining Seasonal ARIMA models ...
  • Khashei, M., Hejazi, S. R., Bijari, M., 2008. A new ...
  • نمایش کامل مراجع