تاثیر نوع الگوریتم آموزش شبکه عصبی پرسپترون چندلایه در دقت پیش بینی بارش ماهانه ایران، مطالعه موردی: مدل ECMWF
محل انتشار: مجله فیزیک زمین و فضا، دوره: 48، شماره: 1
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 77
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-48-1_014
تاریخ نمایه سازی: 26 مهر 1402
چکیده مقاله:
امروزه انواع شبکههای عصبی مصنوعی در حوزه های مختلف علوم جو و اقلیمشناسی برای اهدافی نظیر طبقهبندی، رگرسیون و پیشبینی استفاده میشوند. اما سوال اساسی در استفاده از شبکههای عصبی مصنوعی، نحوه طراحی و معماری آنهاست. یکی از نکات مهم در استفاده از شبکههای عصبی مصنوعی که باید مد نظر طراحان قرار بگیرد، انتخاب الگوریتم مناسب برای آموزش شبکه است. در این مقاله، شش روش مختلف آموزش شبکه عصبی پرسپترون چند لایه شامل روش های منظم سازی بیزی، لونبرگ-مارکوات و گرادیان مزدوج پاول-بل، الگوریتم شبه نیوتنی BFGS، گرادیان مزدوج فلچر-پاول و گرادیان مزدوج مقیاس شده برای پیشبینی ماهانه بارش کشور مورد بررسی و مقایسه قرار می گیرند. برای این منظور، یک شبکه عصبی پرسپترون برای پس پردازش خروجی بارش ماهانه مدل ECMWF طراحی میشود که برای آموزش آن از دادههای ERA۵ و روش های آموزش مختلف استفاده میشود. برای بررسی عملکرد شش روش آموزش مختلف، مقدار سه شاخص ضریب همبستگی، میانگین مربعات خطا و نیز شاخص نش-ساتکلیف برای هر مدل محاسبه شد. همچنین، عملکرد روش های مذکور در مناطق جغرافیایی مختلف کشور برای ماه ژانویه، به عنوان نمونه، مورد ارزیابی قرار گرفت. نتایج حاصل از مقایسه شاخص ها نشان داد که عملکرد دو روش منظم سازی بیزی و لونبرگ-مارکوات، در مقایسه با چهار روش دیگر برای آموزش شبکه عصبی بهتر است. همچنین این دو روش توانستند، در مقایسه با دادههای مدل ECMWF، قبل از پس پردازش، نتایج با دقت بیشتری را به دست آورند.
کلیدواژه ها:
Bayesian Regularization ، Levenberg-Marquardt algorithm ، multi-layer perceptron neural network ، ECMWF
نویسندگان
Morteza Pakdaman
Assistant Professor, Climate Research Institute, Atmospheric Science and Meteorological Research Center, Mashhad, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :