تاثیر نوع الگوریتم آموزش شبکه عصبی پرسپترون چندلایه در دقت پیش بینی بارش ماهانه ایران، مطالعه موردی: مدل ECMWF
امروزه انواع شبکه های عصبی مصنوعی در حوزه های مختلف علوم جو و اقلیم شناسی برای اهدافی نظیر طبقه بندی، رگرسیون و پیش بینی استفاده میشوند. اما سوال اساسی در استفاده از شبکه های عصبی مصنوعی، نحوه طراحی و معماری آنهاست. یکی از نکات مهم در استفاده از شبکه های 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 روش های منظم سازی بیزی، لونبرگ-مارکوات و گرادیان مزدوج پاول-بل، الگوریتم شبه نیوتنی BFGS، گرادیان مزدوج فلچر-پاول و گرادیان مزدوج مقیاس شده برای پیش بینی ماهانه بارش کشور مورد بررسی و مقایسه قرار می گیرند. 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 روش های 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 روش های مذکور در مناطق جغرافیایی مختلف کشور برای ماه ژانویه، به عنوان نمونه، مورد ارزیابی قرار گرفت. نتایج حاصل از مقایسه شاخص ها نشان داد که عملکرد دو روش منظم سازی بیزی و لونبرگ-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 به دست آورند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.