مقایسه الگوریتم های فراکاووشی در آموزش شبکه عصبی

امروزه استفاده از مدل های داده محور همچون شبکه های عصبی مصنوعی برای مدلسازی جریان بارش-رواناب رایج گشته است. یکی از موضوعات مهم در این مدل ها انتخاب روش آموزش شبکه است. روش رایج در آموزش شبکه های عصبی روش پس انتشار خطا است که با محدودیتهایی روبرو است. به همین منظور در این مقاله بکارگیری روشهای فراکاووشی برای این موضوع بصورت مقایسه ای انجام گرفته است. برای این کار سه روش رایج فراکاووشی شامل الگوریتم ژنتیک، الگوریتم هارمونی و الگوریتم ازدحام ذرات مورد استفاده قرار گرفته و بر اساس آنها با استفاده از زبان برنامه نویسی فرترن آموزش شبکه عصبی مدلسازی شده است. مدل بارش-رواناب شامل یک مدل شبیه ساز از نوع شبکه عصبی و یک مدل بهینه ساز بر اساس هریک از روش های فراکاووشی برای آموزش شبکه می باشد. برای ارزیابی و مقایسه روش ها از داده های هیدرومتری ایستگاه هروی در حوضه آبریز لیقوان و همچنین از داده های بارش در این حوضه و حوضه های اطراف استفاده گردیده است. مقایسه نتایج نشان می دهد که روشهای فراکاووشی عملکرد بهتری نسبت به روش پس انتشار خطا داشته اند. همچنین روش PSO در میان الگوریتم های فراکاووشی نتایج مطلوبتری داشته است.

کلیدواژه ها:

پیش بینی جریان ، شبکه عصبی ، الگوریتم ژنتیک ، الگوریتم هارمونی ، الگوریتم ازدحام جمعیت