توسعه یک الگوریتم جدید برای پیشبینی فعالیتهای خورشیدی در دادهکاوی هوای فضا

هوای فضا یکی از پدیده هایی است که نمونه بسیار مناسبی برای پژوهشهای داده کاوی است به دلیل اینکه نرخ تغییر داده ها در پدیده هوای فضا بسیار سریع و در حد چند ساعت است و بنابراین پایگاه های داده ای که حاوی اطلاعات مربوط به هوای فضا ست بسیار حجیم و بزرگ بوده و در نتیجه استفاده از روشهای داده کاوی در شناسایی این پدیده بسیار مناسب و مفید خواهد بود . ضمن اینکه نتایج حاصل از تحلیل ا ین پدیده ها کاربردهای بسیار متنوعی در زندگی روزمره خواهد داشت . بطور کلی هوای فضا بعنوان شرایط متغیر با زمان در محیط فضا شناخته می شود که قابلیت آسیب رساندن به مصنوعات بشری در فضا یا روی زمین را داراست و در بدترین شرایط، ممکن است زندگی یا سلامت انسان را به خطر اندازد . یکی از انواع داده کاوی، داده کاوی پیش بینی است که کاربردهای بسیاری در پیش بینی انواع پدیده ها و شناسایی سیستمها دارد . روشهای آماری و کلاسیک بسیاری برای پیش بینی، در داده کاوی پیش بینی، ارائه شده است ولی این روشها اغلب پیچیده بوده و در مواجه با داده های بسیار زیاد و حجیم کارایی خوبی از خود نشان نمیدهند به همین دلیل امروزه از روشهای جدید و نوآورانه ی همچون شبکههای عصبی مصنوعی و مدلهای فازی - عصبی در این فرایند استفاده میشود . در این تحقیق ضمن اشاره به نحوه کاربرد شبکههای عصبی مصنوعی و مدلهای فاز ی - عصبی در داده کاوی پیش بینی به بررسی الگوریتم معروف و شناخته شده درخت مدل خطیمحلی ) ) LOLIMOT ، که یک الگوریتم مبتنی بر مدلهای فازی عصبی است ، خواهیم پرداخت و با بررسی الگوریتمهای کلونی مورچهها یک تابع اعتبار فازی مبتنی بر کلونی مورچه جهت استفاده در الگوریت م درخت مدل خطی محلی برای پیش بینی فعالیتهای خورشیدی مربوط به پدیدههای هوای فضا ارائه خواهیم کرد . نتایج شبیهسازی حاکی است که کارایی الگوریتم جدید پیشنهادی از نظر دقت پیشبینی و کاهش خطای پیشبینی بهتر از الگوریتم درخت مدل خطیمحلی اولیه است