انتخاب ویژگی و پیش بینی باد گاستی با شبکه عصبی پرسپترون چند لایه ای در ایستگاه خودکار فرودگاهی

در این مقاله ابتدا با بررسی هوای حاضر گزارش های متار، بازه زمانی بیشترین وقوع ناپایداری ایجادکننده باد گاستی (جستی) شناسایی شد. سپس با استانداردسازی داده ها به بازه 1/0 تا 9/0، ویژگی های مرتبط با جهت و سرعت باد جستی انتخاب شد. روش های انتخاب ویژگی در این پژوهش، اطلاعات متقابل و جستجوی پی درپی پیشرو شناور با الگوریتم طبقه بندی k نزدیک ترین همسایگان هستند. ویژگی های انتخابی برای پیش بینی سرعت باد با روش اول، متغیرهای سرعت باد لحظه ای شامل کمینه، میانگین و بیشینه سرعت باد در دو دقیقه و میانگین و بیشینه سرعت باد در ده دقیقه در همان باند هستند. ویژگی های انتخابی برای جهت باد با روش اول، متغیرهای جهت باد لحظه ای یعنی کمینه، میانگین و بیشینه جهت باد در دو دقیقه و کمینه، میانگین و بیشینه جهت باد در ده دقیقه در همان باند هستند. ویژگی های انتخابی با روش دوم برای سرعت باد شامل انحراف جهت باد در ده دقیقه گذشته در باند میانی و فشار لحظه ای در هر سه باند است. انحراف جهت باد در ده دقیقه گذشته در باند 11، در باندهای 29 و میانی مشترک هستند. ویژگی چهارم در باندهای 29 و میانی، متغیر بیشینه سرعت باد در ده دقیقه مربوط به همان باند است. در باند 11 علاوه بر ویژگی های مشترک، متغیرهای بیشینه سرعت باد در ده دقیقه در باند 11 و انحراف جهت باد در ده دقیقه گذشته در باند 29 دیده می شود. ویژگی های انتخابی برای جهت باد از تنوع بیشتری برخوردار هستند. در مرحله نهایی، ویژگی های انتخابی به شبکه عصبی پرسپترون چندلایه در حالت های مختلف داده شد. نتایج خروجی مدل برای پیش بینی جهت و سرعت باد جستی مقایسه و بهترین مدل برای پیش بینی سرعت باد جستی، شبکه با همبندی 1-2-4-4، نرخ یادگیری 1/0 و آستانه آغازین 5/0 برای وزن هر نرون انتخاب شد. برای جهت باد، شبکه با همبندی 1-3-6-6، نرخ یادگیری 1/0 و آستانه آغازین 5/0 مناسب است. عملکرد شبکه عصبی پرسپترون چندلایه ای در پیش بینی سرعت باد بهتر است.