انتخاب مناسب‌ترین ورودی‌ها برای مدل‌ شبکۀ عصبی مصنوعی با استفاده از الگوریتم جامعۀ مورچگان

یافتن مناسب‏ترین ورودی‏ها برای شبکۀ عصبی و همچنین تعداد مناسب ورودی برای آن یکی از چالش‏هایی است که همواره محققان با آن روبه‏رو هستند. اغلب، بهترین ساختار برای شبکۀ عصبی نیز به‏صورت آزمون و خطا مشخص می‏‏شود و درنهایت با تعریف چند ورودی خاص مدل‏های مختلفی تولید و بررسی می‏شوند. در این تحقیق به مدل‏سازی کیفی جریان رودخانۀ گادارچای با استفاده از شبکۀ عصبی مصنوعی پرداخته شده و دو مدل و برای هر مدل چهار سناریو تعریف شد. در هر دو مدل پارامتر هدف مقدار هدایت الکتریکی بوده است. ورودی‏های مدل اول (ANNa) را پارامترهایی تشکیل می‏دهند که بیشترین همبستگی را با پارامتر هدف (EC) داشته‏اند. در مدل دوم (ANNb) مناسب‏ترین پارامترهای ورودی با استفاده از الگوریتم‏ جامعۀ مورچگان (ACO) مشخص شد. معیارهای به‏کار‏رفته در این تحقیق شامل معیارهای میانگین مربعات خطا (MSE)، مجموع مربعات خطا (SSE)، نش‏ـ ساتکلیف و ضریب همبستگی بوده است. نتایج نشان داد بهترین مدل ANNa، مدل ANNa2 با مقدار MSE برابر 0017/0 است. ورودی‏های این مدل مجموع کاتیون‏ها، سختی کل و کلسیم است. بهترین مدل ANNb، مدل ANNb3 با مقدار MSE برابر 0012/0 است. ورودی‏های این مدل درصد سدیم، pH و سختی کل است. همچنین، نتایج نشان داد استفاده از الگوریتم جامعۀ مورچگان برای یافتن بهترین پارامترهای ورودی سبب افزایش کارایی شبکۀ عصبی در قسمت صحت‏سنجی و تست در مدل ANNb نسبت به مدل ANNa می‏‏شود. طبق نتایج به‏دست‏آمده به‏جای آزمون و خطا در یافتن بهترین ورودی‏ها برای شبکۀ عصبی می‏توان به‏عنوان گام نخست از پارامترهایی استفاده کرد که بیشترین همبستگی را با پارامتر هدف دارند؛ اما پارامترهایی که با پارامتر هدف همبستگی زیادی دارند، لزوماً بهترین ورودی‏ها برای شبکه نیستند. همچنین، نتایج نشان داد از الگوریتم ACO می‏توان به‏عنوان روشی برای انتخاب متغیرهای ورودی استفاده کرد و عملکرد شبکۀ عصبی را بهبود بخشید.