پیش‌بینی بادجستی با شبکه پیشخور توسط الگوریتم یادگیری پس‌انتشار ارتجاعی
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
fhabibi@ut.ac.ir
چکیده
این تحقیق کارایی شبکه های عصبی را در پیش‌بینی بادجستی نشان می‌دهد. داده‌ها مربوط به 27 کمیت اندازه-گیری شده در ایستگاه مهرآباد در بازه زمانی مارس تا اوت 2013 است که بین بازه‌ 0.1 و 9/0 نرمال‌سازی سپس به-صورت تصادفی با نسبت‌های۷0، ۱۵ و ۱۵ درصد بترتیب برای آموزش، آزمون و اعتبارسنجی شبکه اختصاص داده-شدند. 25 کمیت به‌عنوان ورودی به‌شبکه‌ پیش‌خور با الگوریتم یادگیری پس‌انتشار ارتجاعی، تابع سیگموئید و هشت نرون در لایه پنهان، و تابع خطی در لایه خروجی داده‌شد، خروجی شبکه سمت و سرعت بادجستی بود. مقادیر ضریب‌تعیین در پیش‌بینی سرعت‌باد برای داده‌های آموزش، ... بترتیب9993/0، 9991/0 و 9991/0 و در پیش‌بینی جهت‌باد بترتیب 8598/0، 8586/0 و 8471/0 شد که هرچه به یک نزدیکتر باشند مقدار پیش‌بینی شده از اطمینان بیشتری برخوردار است. مقادیر ضریب تعیین در بررسی همبستگی متغیرهای مستقل با متغیر وابسته برای پیش‌بینی سرعت باد گاستی بترتیب 9985/0، 9984/0 و 9982/0 شد که نشان می‌دهند نزدیک به 100 در صد مقدار سرعت‌باد تحت‌تاثیر متغیرهای مستقل بوده‌است. اما برای جهت باد بترتیب 7393/0، 7372/0 و 7177/0 شد که نشان می‌دهند نزدیک به 74 در صد مقدار جهت‌باد تحت‌تاثیر این متغیرهای مستقل بوده و مابقی تغییرات آن وابسته به سایر عوامل است.
کلیدواژه ها
 
Title
Prediction gust wind by feedworward network with resilient backpropagation algorithm
Authors
faride habibi
Abstract
Meteorological phenomena are complex systems with different parts that are in contact with each other and also with their surroundings. The purpose of this research is to demonstrate the efficiency of neural networks in predicting meteorological variables. For this purpose, the prediction of the gust wind and direction which is widely used in meteorology and aviation especially at airports was been selected for analysis. The data is related to the 27 measured quantities at Mehrabad Auto station during the period from March to August 2013. Initially, the data were normalized between 0.1 and 0.9, and then randomly assigned with 70, 15 and 15 percent ratios for training, testing and validation data of the network. After the initial processing, 25 quantities were fitted as inputs to the feed forward network with resilient back propagation learning algorithm, which only the sign of the partial derivative is used to determine the direction of the bias and weight updates and the magnitude of their derivative has no effect on their updates. Of course, the size of their change (increment and reduce rates) is determined by a separate update value. This network works with eight neurons and sigmoid function in the hidden layer, the linear function in the output layer, and the outputs of network are also the wind speed and direction. The results show that the appropriate amounts of learning rate, incremental and reduced rates for this network are respectively 0.001, 1.2 and 0.35. The values of the coefficient of determination (the correlation between the predicted and experimental values) for training, test and validation data for gust speed prediction were respectively 0.9993, 0.9991 and 0.9991. But about the gust direction, these values are 0.8598, 0.8586 and 0.8471. When this quantity is closer to 1.0, the predicted quantity is more reliable. These quantities for correlation between the independed variables and depended variable (gust speed prediction) were respectively 0.9985, 0.9982 and 0.9982. These values are shown that nearly 100 percent of measured gust speed is affected by these independent variables. But those for gust direction prediction were respectively 0.7393, 0.7372 and 0.7177. These values are shown that nearly 74 percent of measured gust direction is affected by these independent variables and the rest of its variations are dependent on other factors.
Keywords
Mehrabad Autostation, gust wind, resilient backpropagation, gusty direction prediction, feedforward network