به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

data normalization

در نشریات گروه اکولوژی
تکرار جستجوی کلیدواژه data normalization در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه data normalization در مقالات مجلات علمی
  • مهدی بهرامی، محمد جواد امیری، فاطمه رضایی مهارلویی، کرامت الله غفاری
    توابع تبدیل صورت می‏گیرد. در پژوهش حاضر با استفاده از اطلاعات میانگین بارش ماهانه، کمترین و بیشترین دما و رطوبت ایستگاه سینوپتیک شهرستان آباده در بازه زمانی 1355 تا 1392 به‏صورت نرمال‏شده و خام به‏عنوان ورودی های شبکه پرسپترون چند‏لایه، بارش ماه آینده شهرستان پیش‏بینی شد. برای نرمال‏سازی داده های هواشناسی، پس از بررسی وجود داشتن یا نداشتن داده های گم‏شده و پرت از سه روش نرمال‏سازی مینیمم ماکزیمم، رتبه‏ای و آماره نرمال استاندارد استفاده شد. پس از به‏دست‏آوردن بهترین ساختار شبکه با استفاده از آزمون ‏و ‏خطا برای هر روش از مقایسه بهترین ساختارهای هر روش با یکدیگر، روش مینیمم ماکزیمم با ساختار شبکه سه‏لایه و تعداد 13 نورون در لایه پنهان با مقدار 92/0=R و 12/0=MSE در مقایسه با دیگر روش‏ها به‏عنوان بهترین روش انتخاب شد. نتایج آنالیز حساسیت انجام‏شده نیز نشان داد مدل به حذف پارامتر بیشترین رطوبت بیشتر از سایر پارامترها حساسیت نشان داد. پس از آن نیز دمای حداکثر بیشترین تاثیر را بر پیش‏بینی بارش داشت. همچنین مقایسه عملکرد شبکه با تعداد ورودی های مختلف نشان داد شبکه با داشتن دو ورودی شامل کمترین دما و رطوبت با مقدار 13/0= MSE در مواقعی که کمبود داده وجود دارد نسبت به‏تعداد پنج ورودی به‏ نتیجه خوبی رسید.
    کلید واژگان: آماره نرمال استاندارد، بارندگی، مینیمم، ماکزیمم، نرمال سازی داده، نرمال سازی رتبه ای
    Mehdi Bahrami, Mohammad Javad Amiri, Fatemeh Rezaei Maharluei, Keramat Allah Ghaffari
    Since many time series are not normal, it is required to normalize data by transformation functions prior to any analysis and modeling. In this study, the next month rainfall of Abadeh County station was predicted using the average monthly rainfall, minimum and maximum temperatures and minimum and maximum humidity as inputs of MLP network, both normally and raw, at period 1976 to 2013. After scrutiny the existence or nonexistence of missing and outlier data, meteorological data were normalized using three normalization
    Methods
    minimum-maximum, rank normalization and z- score. After obtaining the best network structure using try and error for each method, the minimum-maximum method with a three-layer network structure and 13 number of hidden layers of neurons chose as the best method with R=0.92 and MSE=0.13 compared to other methods. Also comparing the performance of the network in using raw and Pre-Processed data showed that Pre-Processing the data improved greatly network performance. The results of the sensitivity analysis showed the maximum sensitivity of model to remove maximum humidity parameter, and the second the maximum temperature had the greatest impact on precipitation forecast. Also comparing the performance of the network with the different numbers of inputs indicated that network with two inputs including minimum temperature and minimum humidity had good results (MSE = 0.13) compare with five inputs.
    Keywords: Data Normalization, Minimum, Maximum, Rainfall, Rank normalization, Z-score
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.
درخواست پشتیبانی - گزارش اشکال