تأثیر نوع الگوریتم آموزش شبکه عصبی پرسپترون چندلایه در دقت پیشبینی بارش ماهانه ایران، مطالعه موردی: مدل ECMWF | ||
| فیزیک زمین و فضا | ||
| مقاله 14، دوره 48، شماره 1، بهار 1401، صفحه 213-226 اصل مقاله (4.42 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2022.327450.1007341 | ||
| نویسنده | ||
| مرتضی پاکدامن* | ||
| استادیار، پژوهشکده اقلیم شناسی و تغییر اقلیم، پژوهشگاه هواشناسی و علوم جو، مشهد، ایران | ||
| چکیده | ||
| امروزه انواع شبکههای عصبی مصنوعی در حوزههای 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 روشهای منظمسازی بیزی، لِوِنبرگ-مارکوات و گرادیان مزدوج پاول-بل، الگوریتم شبهنیوتنی BFGS، گرادیان مزدوج فلچر-پاول و گرادیان مزدوج مقیاسشده برای پیشبینی ماهانه بارش کشور مورد بررسی و مقایسه قرار میگیرند. برای این منظور، یک شبکه عصبی پرسپترون برای پس پردازش خروجی بارش ماهانه مدل ECMWF طراحی میشود که برای آموزش آن از دادههای ERA5 و روشهای 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 روشهای مذکور در مناطق جغرافیایی مختلف کشور برای ماه ژانویه، بهعنوان نمونه، مورد ارزیابی قرار گرفت. نتایج حاصل از مقایسه شاخصها نشان داد که عملکرد دو روش منظمسازی بیزی و لِوِنبرگ-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 بهدست آورند. | ||
| کلیدواژهها | ||
| شبکه عصبی پرسپترون؛ مدل ECMWF؛ الگوریتم منظمسازی بیزی؛ الگوریتم لِوِنبرگ-مارکوات؛ الگوریتم گرادیان مزدوج پاول-بل | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2,406 تعداد دریافت فایل اصل مقاله: 1,781 |
||