چکیده انتخاب ویژگی های مناسب برای بررسی و پیش بینی هر کمیت جوی مرتبط با یک پدیده هواشناسی از قبیل وقوع توفان حاره ای یکی از چالش های اساسی شناسایی سیستم و مدل سازی آن سیستم می باشد. در این رساله روش های مختلف استخراج ویژگی از قبیل جستجوی پی در پی پیشرو، پسرو، معیار همبستگی متقابل، تحلیل مولفه های اصلی و تحلیل عامل های اصلی برای استخراج کمیت های مرتبط با سرعت باد در ارتفاع 10 متری از سطح زمین در زمان وقوع پدیده توفان حاره ای اعمال شده است. در این بررسی نه تنها تاثیر داده های 45 متغیر مختلف اندازه گیری شده در یک نقطه شبکه در محدوده فعالیت توفان حاره ای گونو (که اوایل ماه ژوئن سال 2007 میلادی منطقه دریای عرب، عمان و خلیج فارس را در نوردید.) بر هم سنجیده شده اند بلکه تاثیر همزمان نقاط شبکه واقع در پیرامون آن نقطه نیز به کمک باد غالبی که به سمت نقطه مورد نظر در جریان بوده منظور شده است که این یکی از ویژگی های بارز این تحقیق است که در نوع خود می تواند نوع آوری محسوب شود. از آنجا که برای استفاده از شبکه عصبی و منطق فازی نیاز به داده های آزمون و اعتبار سنجی است از داده های توفان حاره ای یمین که اواخر ماه ژوئن همان سال در خلیج بنگال و خلیج فارس شکل گرفت به عنوان داده آزمون و از داده های توفان حاره ای نرجس که اوایل ماه می سال 2008 میلادی در خلیج بنگال رخ داده بود به عنوان داده اعتبار سنجی استفاده شده است. کمیت های انتخابی نهایی بعد از انجام استخراج ویژگی به عنوان ورودی به استنباط فازی-عصبی تطبیقی (anfis) که خروجی آن سرعت باد در ارتفاع 10 متری از سطح زمین است داده شد و مقدار شاخص خطا در حالت های مختلف آموزش شبکه تعیین گردید. نتایج نشان می دهند که کمیت های استخراج شده از روش پسرو مناسب تر از بقیه است و الگوریتم یادگیری درخت مدل خطی محلی نیز سریع تر از استنباط فازی- عصبی تطبیقی است.

چکیده ندارد.