جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه adaptive neural-fuzzy inference system در نشریات گروه کشاورزی
adaptive neural-fuzzy inference system
در نشریات گروه اکولوژی
تکرار جستجوی کلیدواژه adaptive neural-fuzzy inference system در مقالات مجلات علمی
-
الگوریتمهای موجود برای آموزش سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) باوجود کاربرد فراوان، نقایصی همچون به دام افتادن در بهینه محلی دارند. در پژوهش حاضر، کاربرد الگوریتمهای بهینهسازی ژنتیک (GA)، ازدحام ذرات (PSO)، کلونی مورچگان برای محیط های پیوسته (ACOR) و تکامل تفاضلی (DE)، در توسعه و بهبود عملکرد ANFIS بررسی شد. به عنوان مطالعه موردی، بیشترین دمای ماهانه شهر اصفهان در بازه زمانی 64 ساله (1330-1393)، شبیهسازی و تحلیل شد. به این منظور، ابتدا با استفاده از آنالیز حساسیت، مناسب ترین ورودی ها برای هر یک از افقهای پیشبینی (یک ماه، یک تا سه سال) انتخاب شد. سپس، بیشترین دما بهوسیله مدلهای هیبریدی ANFIS-GA، ANFIS-PSO، ANFIS-DE، ANFIS-ACOR و مدل ANFIS پیشبینی شد. در ادامه، عملکرد هر یک از مدلها با استفاده از شاخصهای آماری R2، RMSE و MAE ارزیابی شد. نتایج نشان داد مدل ANFIS-GA، بهعنوان مناسبترین مدل، دقت عملکرد ANFIS را در پیشبینی افق های یک ماه و یک تا سه سال آینده در R2 به ترتیب به مقدار 06/0، 07/0، 08/0 و 12/0 و در RMSE به میزان 09/0، 09/0، 16/0 و 1/0 بهبود داده است. پس از آن، به ترتیب ANFIS-DE و ANFIS-PSO مناسبترین دقت را داشتند. از سوی دیگر، ANFIS با بیشترین خطا و کمترین R2، بهعنوان ضعیفترین مدل شناخته شد. نتایج نشان داد مدلهای هیبریدی پیشنهادی، با استفاده از تکنیک جست وجوی سراسری و جلوگیری از به دام افتادن در بهینه محلی، عملکرد ANFIS را بهطور مطلوبی بهبود دادهاند. مدلهای پیشنهادی پتانسیل زیادی به منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار ند.کلید واژگان: الگوریتم های تکاملی هیبریدی، الگوریتم ژنتیک، جواب بهینه محلی، دمای هوا، سیستم استنتاج فازی- عصبیIn this study, the use of genetic optimization algorithm (GA),Particle Swarm(PSO), the ant colony for continuum (ACOR)and differential evolution (DE),to develop and improve the performance of ANFIS were investigated. the monthly maximum temperatures in Isfahan during the period of 64 years (1951-2014), was simulated and analyzed. At first in a sensitivity analysis, the best entries for each prediction period (1 month, 1, 2 and 3 years) were selected. Then, the maximum temperature hybrid models by ANFIS-GA,ANFIS-PSO,ANFIS-DE,ANFIS-ACOR and ANFIS were examined. The performance of each model with regard to R2, RMSE and MAE were evaluated. The results showed that the ANFIS-GA, as the most appropriate model, increased ANFIS performance in R2 to by 0.06, 0.07, 0.08 and 0.12 and RMSE by 0.09, 0.09, 0.16 and 0.1, respectively, in 1 month and 1, 2 and 3 year. After, ANFIS-DE and ANFIS-PSO, respectively, had the best forecasting accuracy. On the other hand, ANFIS showed highest error and lowest R2, as the weakest model. The results showed that the proposed models, which use global search techniques and avoid being trapped in local optimum, could improve the performance of ANFIS favorably.Therefore, these models can be used in other areas related to hydrology and water resources.Keywords: Adaptive Neural-Fuzzy Inference System, Hybrid Evolutionary Algorithms, Genetic Algorithm, Local Optimum Solution, Air Temperature
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.