بکارگیری ترکیبی از روش های K-NN و سیستم استنتاج عصبی-فازی برای پیش بینی میزان بارش در دشت اردبیل
- سال انتشار: 1399
- محل انتشار: پنجمین کنفرانس ملی محاسبات نرم در مهندسی برق و کامپیوتر
- کد COI اختصاصی: SCECE05_050
- زبان مقاله: فارسی
- تعداد مشاهده: 530
نویسندگان
گروه مهندسی کامپیوتر، موسسه غیرانتفاعی مقدس اردبیلی، اردبیل، ایران
گروه مهندسی کامپیوتر، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران
چکیده
بارش یک عنصر مهم از منابع آبی در تمام نقاط جهان از جمله مناطق خشک و نیمه خشک می باشد. بارش به عنوان مهم ترین عنصر اقلیمی همواره در سرزمین ایران از پیچیدگی های خاصی برخوردار بوده است. به طوری که محقّقان بسیاری کوشیده اند تا در پژوهش های خود به تببین دقیق این تغییرپذیری ها در حوضه های مختلف بپردازند و پژوهش های بسیاری در این زمینه انجام داده اند. از جمله روش های کارآمد که امروزه برای پیش بینی بارش به عنوان یک فرایند نامنظم، اهمیت دارد، شبکه های عصبی است که به عقیده متخصصان، علّت اصلی مقبولیت و استفاده روزافزون آن، قدرت و سرعت بالا در شبیه سازی فرایندهایی است که درك و شناخت درستی از آن وجود نداشته و یا بررسی آنها با دیگر روش های موجود، بسیار دشوار و وقت گیر می باشد. بر همین اساس در این مقاله روشی مبتنی بر الگوریتم K-NN و سیستم استنتاج عصبی-فازی برای پیش بینی میزان بارش در دشت اردبیل ارائه شده است. هدف از روش پیشنهادی کاهش خطای پیش بینی و افزایش دقت پیش بینی بارش در اندازه گیری داده های هواشناسی است. نتایج حاصل از پیاده سازی روش پیشنهادی بیانگر کاهش خطای پیش بینی شده در حداقل زمان ممکن است. در مقایسه این روش با سایر روش ها مشاهده گردید که این روش با بکارگیری سیستم استنتاج عصبی-فازی بر اساس معیارهای خطای پیش بینی دقت بهتری دارد.کلیدواژه ها
پیش بینی میزان بارش، الگوریتم K-NN ، سیستم استنتاج عصبی-فازی، کاهش خطا، دشت اردبیلمقالات مرتبط جدید
- ارزیابی اقتصادی و زیست محیطی سناریوهای ترکیب انرژی تجدیدپذیر در برنامه ریزی تولید برق ایران تا افق ۱۴۱۰
- بررسی فناوریها و استراتژیها برای بهینه سازی مصرف انرژی و افزایش کارایی در شبکه های توزیع
- فناوری اطلاعات و ارتباطات سبز
- Hoo Controller Design for a Quadruple-Tank Multivariable System: Robust Performance via Weighted Sensitivity Shaping
- تاثیر حیاتی همبستگیهای آماری ضعیف بادبار بر قابلیت اطمینان سیستمهای قدرت: دیدگاهی فراتر از مدلهای سنتی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.