برتری شبکه عصبی تابع پایه شعاعی RBF نسبت به شبکه عصبی پرسپترون چندلایه MLP برای پیش بینی سری زمانی با استفاده از معیار ارزیابی MSE
- سال انتشار: 1395
- محل انتشار: دومین کنفرانس بین المللی مدیریت و فناوری اطلاعات و ارتباطات
- کد COI اختصاصی: ICTMNGT02_201
- زبان مقاله: فارسی
- تعداد مشاهده: 3157
نویسندگان
عضو هیات علمی دانشگاه آزاد اسلامی ،رئیس دانشگاه آزاد مرکز طالقان
کارشناس ارشد MIS کارشناس فناوری اطلاعات دانشگاه آزاد اسلامی مرکز طالقان
کارشناس فناوری اطلاعات، مسئول آموزش فدراسیون کونگ فو و هنرهای رزمی
چکیده
هدف این تحقیق نشان دادن برتری روش شبکه عصبی توابع شعاعی بنیادین RBF نسبت به شبکه عصبی پرسپترون چندلایه MLP برای پیش بینی سری زمانی مصرف برق می باشد که می تواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی آن را پیش بینی کند. معیار ارزیابی ،روش میانگین مربعات خطا MSE می باشد. در این تحقیق از یک مجموعه داده غنی بعنوان ورودی شبکه عصبی استفاده شده است مجموعه داده مورد نظر مربوط به میزان مصرف برق طی یک بازه زمانی 43 ساله می باشد. در سایر تحقیقاتی که در این زمینه انجام شده محققان بیشتر روی ساخت خود شبکه متمرکز شده اند. اما ما در این تحقیق روی یک خلا که همان نحوه ورودی دادن بوده، متمرکز شده ایم 80 درصد از داده ها برای آموزش شبکه و 20 درصد باقیمانده برای آزمون در نظر گرفته شده و به صورت تصادفی به شبکه عصبی مورد نظر می دهیم. در ابتدا ورودی ها را به صورت کورکورانه و پشت سرهم به شبکه های عصبی MLPوRBF می دهیم و نتایج میزان خطا را با تغییر پارامترهای آن طی 5 بار اجرا ثبت می کنیم. سپس نحوه ورودی دادن به شبکه عصبی خود را بهینه می کنیم و نتایج را همانند روش قبلی ثبت و ذخیره می کنیم.خواهیم دید که اگر داده ها را با استفاده از کارشناسان مربوط به آن داده و افراد خبره به صورت کارشناسانه به شبکه عصبی بدهیم نتایج بسیار خوبی خواهیم گرفت. پس از بررسی نتایج هر دو روش، برای شبکه های عصبی MLPوRBF با استفاده از شاخص عملکرد میانگین مربعات خطا مشاهده شد که اگر به شبکه های عصبی RBF ورودیهای بهینه سازی شده داده شود با دقت بالایی پیش بینی خواهند نمودکلیدواژه ها
پیش بینی، سری زمانی، شبکه پرسپترون چندلایه، شبکه تابع پایه شعاعی، میانگین مربعات خطامقالات مرتبط جدید
- هوش مصنوعی و یادگیری ماشین در امور مالی: شناخت حوزه های تحقیقاتی
- رهبری سالم و ارتقای سلامت محیط کار، پیش نیازهای سلامت سازمانی
- کرونا منطقه گرایی چیست؟ تفاوت واکنش های منطقه ای به کووید-۱۹ در ایتالیا
- راهکارهای مهار کرونا توسط کشورهای موفق جهان
- تجارب مدیریت بحران در شرکت آب و فاضلاب استان قم در مواجهه با پاندمی کرونا
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.