رهیافتی نوین در پیش بینی دما به کمک شبکه عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده علوم پایه
- نویسنده مهشید کاویانی
- استاد راهنما سید مجید میررکنی محمد حسین معماریان
- سال انتشار 1393
چکیده
دما مهم ترین پراسنج جوی است که تغییرات آن باعث تغییر در سایر پراسنج های هواشناختی و رخداد پدیده های گوناگون هواشناختی است. از این رو در مطالعات هواشناختی پیش بینی دما حائز اهمیت است. توانایی شبکه عصبی مصنوعی (ann) در پیش بینی توابع غیرخطی و سامانه های آشوبی، رهیافت مناسبی برای پیش بینی دما ارائه می دهد. از آن جا که ساختار ann یک برنامه از قبل تعیین شده نیست، "انتخاب ورودی" متناسب با هدف، "معماری" و انتخاب یک الگوریتم بهینه سازی برای "آموزش" ann، مسائلی هستند که در طراحی آن چالش ایجاد می کنند. هدف از پژوهش حاضر، پیش بینی میانگین روزانه دمای سال 2009 میلادی شهرستان یزد است. در این پژوهش داده های میانگین روزانه برخی پراسنج های هواشناختی ایستگاه همدیدی این شهرستان در یک دوره آماری 29 ساله (1980 تا 2008 میلادی) جمع آوری شده است. سپس به کمک رهیافت تحلیل مولفه اصلی (pca)، جزئیات مربوط به داده ها استخراج و با کاربست تحلیل هواشناختی در نتایج حاصل از pca، ورودی های مناسب ann انتخاب شده است. پس از انتخاب ورودی، به منظور اجتناب از روش های سعی و خطا در معماری ann و نزدیک شدن به مقادیر بهینه کلی وزن ها و بایاس ها در مرحله آموزش از روش بهینه سازی تکاملی الگوریتم ژنتیک (ga) به صورت هم زمان استفاده شده است. نتایج این پژوهش نشان می دهند،کاربست pca در انتخاب ورودی و ga در معماری و آموزش ann باعث افزایش سرعت و کارایی ann می شود و رهیافت ann با دقت قابل قبولی قادر به پیش بینی میانگین روزانه دمای سال 2009 میلادی به کمک سایر پراسنج های هواشناختی است.
منابع مشابه
کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه
پیش‌بینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیش‌بینی بارش زمستانه استان خراسان رضوی با استفاده از شبکههای عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...
متن کاملپیش بینی پارامتر های تحکیم به کمک شبکه عصبی مصنوعی
در خاک های ریز دانه ی اشباع، میزان نشست با استفاده از شاخص فشردگی که از طریق آزمایش تحکیم بدست می آید، قابل محاسبه است. تعیین این ضریب از طریق آزمایش تحکیم بسیار وقت گیر است، لذا از گذشته به ویژه برای پروژه های کم اهمیت سعی بر این بوده که شاخص فشردگی را به پارامترهای فیزیکی خاک مانند درصد رطوبت، حد روانی و دیگر پارامترها که همگی به سادگی قابل اندازه گیری هستند، ارتباط دهند. به همین جهت روابط تج...
انتخاب نمودارهای بهینه در پیش بینی اشباع و تخلخل به کمک شبکه های عصبی مصنوعی
برای امکان سنجی و ارزیابی اقتصادی مخازن هیدروکربوری باید اطلاعات کاملی از مخازن به دست آورد. رایج ترین روش برای کسب آگاهی از ساختارهای تحت الارضی مخازن هیدروکربوری, انجام عملیات چاه نگاری و تفسیر نمودارهای به دست آمده است. برای به دست آوردن شاخص های پتروفیزیکی نظیر اشباع و تخلخل, باید از اطلاعات آزمایشگاهی و زمین شناسی استفاده نمود. ارزیابی دقیق با استفاده از روش های رایج نیاز به مهارت, اطلاعات...
متن کاملپیش بینی مشخصات سخت شده بتن خودتراکم الیافی به کمک شبکه های عصبی مصنوعی
امروزه روشهای هوشمند و الهام گرفته از طبعیت در حل مسائل پیچیده طرفداران زیادی دارد یکی از پرطرفدارترین و کاراترین این ساختارها، شبکههای عصبی مصنوعی هستند که قادرند یک رابطه کلی بین اطلاعات حجیم و پیچیده ناشی از آزمایشها و مثالهای تجربی به دست آورند. از طرف دیگر، ترکیب بتن الیافی با بتن خودتراکم، یک نوع بتن جدید با سیالیت بالا و چسبندگی خوب تولید میکند. این نوع بتن به علت حضور الیاف دارای م...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده علوم پایه
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023