پیش بینی دمای ماکزیمم هوا به کمک شبکه عصبی با متلب

توضیحات

پیش بینی دمای ماکزیمم هوا به کمک شبکه عصبی با متلب

پیش بینی دمای ماکزیمم هوای شهر قزوین با استفاده از شبکه عصبی RBF و MLP

سرعت باد رطوبت نسبی دمای خشک و ساعت آفتابی و پارامترهای دیگر که در ماکزیمم دما تاثیر دارند به عنوان ورودی شبکه عصبی می باشند و خروجی شبکه عصبی نیز همان دمای ماکزیمم میباشد.

شبكه هاي با تابع مدار شعاعي به طور گسترده اي براي تخمين غيرپارامتر يک توابع چند بعدي از طريق مجموعه اي محدود از اطلاعات آموزشي به كار مي رود. شبکه هاي عصبي شعاعي به واسطه آموزش سريع و فرا گير ، بسيار جالب و مفيد هستند و مورد توجه خاصي قرار گرفته اند .[1] در سال 1990 ميلادي بود که ژيروسي ، پوگي و همچنين هارتمن و کپلر اثبات کردند که شبکه ه اي با تابع مدار شعاعي تقريب سازهاي بسيار قدرتمندي هستند بطوريکه با داشتن تعداد نرون هاي کافي در لايه مخفي، قادر به تقريب سازي هر تابع پيوسته و با هر درجه دقت مي باشند. نکته بسيارجالب آن است که اين شبکه ها تنها با داشتن يک لايه مخفي ، داراي چنين خاصيتي هستند. شبكه هاي با تابع مدار شعاعي بيشترين الهام را از تكنيك هاي آماري طبقه بندي الگوها گرفته اند كه اساسًا به عنوان گونه اي از شبكه هاي عصبي، حياتي نو يافته اند و مزيت عمده آنها طبقه بندي الگوهايي که داري فضاي غيرخطي هستند مي باشد . با قرا ردادن اين شبکه براي طبقه بندي اصلي شبكه هاي عصبي، اين تكنيك ها، گرچه تعدادشان اندك است، به فراواني به كار گرفته شده اند. اين شبکه ها ، اغلب با شبکه عصبي پس انتشار خطا مقايسه مي شود.

شبکه Multi Layer Perceptron یک شبکه پیشخور یاFeed forward که از چندلایه با عناصر غیرخطی تشکیل شده است. این شبکه استاتیکی می باشد ولی آموزش آن، دینامیکی و نوع یادگیری آن تحت نظارت است. از آنجایی که این شبکه دارای چند لایه پنهان است، می تواند ابزار مناسب برای تخمین توابع غیر خطی باشد. به شکلی که لایه پنهان اول کمک میکند تا تخمیتی کلی از تابع غیرخطی داده شود و از لایه های بعدی برای تنظیم بهتر و تأمین نگاشت غیرخطی استفاده می شود.

دراین گزارش سعی می شود اثر پارامترهای مختلف آموزش و ساختار شبکه در تقریب بهتر تابع غیر خطی بررسی شود. در انتها از این شبکه برای تقریب تابع غیر خطی دیگری استفاده میشود، تا عملکرد آن سنجیده شود.

پیش بینی دمای ماکزیمم هوا به کمک شبکه عصبی با متلب  توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.