محمد تشنه لب - سازمان هواشناسی ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
مهدی منشی

فرآیند پیش بینی سریهای زمانی همواره در کنار سیستم های پیچیده دینامیکی بوده است. یکی از این سیستمهای پیچیده، اتمسفر می باشد که امروزه مراکز بسیار زیادی مشغول بررسی و تحقیق روی آن می باشند. در عمل، مدل سازی یک سیستم پیچیده دینامیک با استفاده از اندازه گیریها، بسیار بسختی می تواند بر اساس معادلات دیفرانسیل صورت پذیرد و ما معتقدیم که استفاده از تکنیکها و سیستمهای هوشمند بصورت ترکیبی برای توصیف و مدل سازی اینگونه سیستمهای دینامیکی بر اساس اطلاعات عددی بسیار مفید می باشد. نمونه کاملی از جنین سیستمهای ترکیبی هوشمند، شبکه های عصبی – فازی می باشد که خصوصیات لازم برای حل چنین مسائلی را دارد. استفادهاز الگوریتم آموزش مناسب در فرایند یادگیری این سیستم ها ،رسیدن به هدف را سریعتر می نماید. یکی از الگوریتم های آموزش که در بسیاری از آزمایشات عملی سربلند بیرون آمده است، الگوریتم آموزش حداقل مربعات می باشد. که نتایج اثر آن را در افزایش سرعت همگرائی نشان می دهد. نتایج بدست آمده از پیشگویی اقلیمی بعضی پارامترهای مهم هوا (فشار، دما، رطوبت نسبی) توسط این نوع سیستم هوشمند ترکیبی، توانایی آن را در شناسایی دینامیک پارامترهای هوا تایید می کند و در رابطه با پیش بینی مقادیر آینده این پارامترها برای یک بازه زمانی غیر از بازه زمانی آموزشی (بخصوص در رابطه با پارامتر فشار) مورد قبول می باشند.

پیش بینی سریهای زمانی آشوبگونه ، پیشگویی اقلیمی پارامترهای هوا ، سیستمهای هوشمند ترکیبی ، مدل فازی سوگنو ، شبکه های عصبی - فازی ، روش آموزش حداقل مربعات بازگشتی