پروژه آموزشی پیش بینی بارش ماهانه 30 سال تهران با شبکه عصبی مصنوعی با متلب

هدف این پژوهش پیش‌بینی بارش ماهانه شهر تهران با استفاده از شبکه‎ های عصبی مصنوعی و ترکیب آن با الگوریتم ژنتیک است. برای طراحی شبکه عصبی مصنوعی و استفاده از الگوریتم ژنتیک، از نرم‎افزار MATLAB 2019a استفاده شده است. در این پژوهش از داده‎های بارش ماهانه در ایستگاه سینوپتیک مهرآباد طی دوره آماری 69 سال (1951-2019) و شبکه‎های عصبی مصنوعی بعنوان یک روش غیرخطی جهت پیش‎بینی بارش استفاده شده است. نتایج نشان داد که استفاده از شبکه‎های عصبی مصنوعی با یک پرسپترون 2 لایه، ضریب یادگیری 4/0 و مومنتوم 9/0 مدل نسبتاً بهتری را ارائه می‎کند. خطای میانگین مربعات و ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش‎بینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک به ترتیب برابر با 0183/0 و 57/0 است. همچنین بعد از ترکیب شبکه عصبی با الگوریتم ژنتیک نشان داده شد که مقادیر فوق به ترتیب برابر 00808/0 و 84/0 خواهند بود که نشان‎دهنده ارائه مدلی به مراتب بهتر و دقیق‎تر است. در این پژوهش، از الگوریتم آموزشی Levenberg-Marquardt که الگوریتمی معروف و پرکاربرد در روش پس انتشار است، استفاده شده است. روش طراحی شبکه عصبی در این پژوهش، مطابق مراحل زیر انجام می‎گیرد:

1) ابتدا، میزان بارندگی ماهانه با مجموعه‎ای از تاخیرها (delays) در مجموعه داده‎ها به عنوان پارامتر ورودی و میانگین بارش ماهانه به عنوان خروجی شبکه در نظر گرفته می‎شوند.

2) برای جلوگیری از انحراف شبکه ابتدا داده‎ها را نرمال‎سازی می‎کنیم. داده‎ها پس از نرمال‎سازی در بازه 0 تا 1 قرار می‎گیرند. فرمول نرمال‎سازی به شکل زیر است:

2) انجام سعی و خطا در جهت کاهش خطای پیش‎بینی شبکه با استفاده از تغییر پارامترهای شبکه شامل؛

• تغییر ساختار شبکه عصبی پرسپترون چندلایه
• تقسیم کل داده‎های مورداستفاده به دو بخش مجزا برای استفاده در فرایند آموزش شبکه و ارزیابی عملکرد شبکه
• تعیین تعداد لایه‎های پنهان شبکه و تعداد نرون‎های هر لایه
• تعیین توابع فعال‎سازی در لایه‎های میانی و لایه خروجی
• تعیین الگوریتم یادگیری و ضریب ممنتوم
• تعداد اپوک‎های شبکه که تعداد دفعات تکرار آموزش را مشخص می‎کند
• انتخاب حداکثر خطای پیش‎بینی شبکه
•