پیش بینی دیدافقی با آموزش شبکه پیشخور توسط الگوریتم یادگیری پس انتشار ارتجاعی

پدیده های هواشناسی حاصل سامانه های پیچیده ای هستند که بخش های مختلفی در تماس با هم و محیط اطراف دارند. هدف این تحقیق نمایش کارایی شبکه های عصبی در پیش بینی متغیرهای هواشناسی است. برای این منظور پیش بینی دید افقی که کاربرد فراوان در هواشناسی و هوانوردی به ویژه در فرودگاه ها دارد برای بررسی انتخاب شده است. داده های این بررسی، تلفیقی از گزارش های متار و سینوپ ایستگاه بندرعباس در بازه 1 تا 30 مارس 2014 است. برای پیاده سازی شبکه، ابتدا داده های آموزش، آزمون و اعتبارسنجی شبکه به صورت تصادفی با نسبت های 70، 15 و 15 درصد استخراج و ذخیره شد تا برای مقایسه حالت های مختلف اجرای شبکه از داده یکسان استفاده شود. ترکیب های مختلف هفت متغیر دما، دمای نقطه شبنم، هوای حاضر، فشار، میزان پوشش ابر آسمان، سمت و سرعت باد، به عنوان ورودی به شبکه پیش خور داده شد که خروجی آن دیدافقی است. در مجموع همبستگی و جذر میانگین مربعات خطا برای 28 حالت بررسی شده است. نتایج نشان می دهند که ترکیب های حاوی پدیده هوای حاضر بیشترین همبستگی را با دیدافقی دارند و کمیت های دمای نقطه شبنم، فشار و میزان پوشش ابر به تنهایی تاثیری روی آن ندارند. بعد از پردازش های اولیه، از شبکه پیش خور با الگوریتم یادگیری پس انتشار ارتجاعی با هشت نرون و تابع سیگموئید در لایه پنهان، تابع خطی در لایه خروجی برای پیش بینی استفاده شد. این شبکه با دو سری داده های استاندارد شده بین بازه های صفر و یک، 1/0 و 9/0، نمو های افزایش و کاهش متفاوت برای بایاس ها و وزن ها، و همچنین نرخ های یادگیری متفاوت اجرا شده است. مقدارهای مناسب برای این کمیت ها به ترتیب 2/1، 35/0 و 0001/0 هستند و استانداردسازی داده ها در حد فاصل بین صفر و یک مناسب نیست. مقادیر ضریب کسر مطلق از واریانس برای داده های آموزش، آزمون و اعتبارسنجی به ترتیب 9972/0، 9856/0 و 9839/0 به دست آمد که نشان می دهد نزدیک به 98 درصد مقدار دیدافقی تحت تاثیر این متغیرهای مستقل بوده و مابقی تغییرات آن وابسته به سایر عوامل است.