100000 تومان
افزودن به سبد خرید
0 فروش 301 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: دارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: فایل مقاله گزارش ورد (7 صفحه ) کد متلب (ام فایل) و دیتابیس (اکسل)
تاریخ انتشار: 22 ژانویه 2019
دسته بندی: ,,,

تبلیغات

پروژه متلب پیش بینی دمای هوا با شبکه عصبی

پیش بینی دمای هوا با شبکه عصبی با متلب | MATLAB

دقت پیش بینی دمای هوا از جنبه های زیادی اهمیت دارد. در تصمیماتی مثل مدیریت کشاورزی، حمل و نقل و مدیریت انرژی می توان این اهمیت را مشاهده کرد. مطالعات گذشته بر روی بکار گیری مدل شبکه عصبی مصنوعی برای پیش بینی دمای هوا از یک تا دوازده ساعت آینده تمرکز کرده اند. داده های ورودی برای این مدل ها دوره ثابتی از داده های گذشته با تفکیک پذیری ثابت برای همه متغیر های محیطی و برای همه افق های پیش بینی را شامل می شود . هدف کلی این مقاله بهبود دقت شبکه عصبی برای پیش بینی میانگین دمای هوا می باشد. الگوریتم بکارگرفته شده شامل ترکیب شبکه عصبی پرسپترون چندلایه، الگوریتم ژنتیک و PCA است. نتایج نشان می دهد روش استفاده شده توسط این مقاله از شبکه عصبی پرسپترون چند لایه شبکه عصبی عمل  مناسبی دارد

بررسی اولیه دیتابیس موجود نشان میدهد که پارامتر میزان دما برای ۱۵ سال در طی ۱۲ ماه سال موجود است

بنابراین در کل ۱۸۰ داده معتبر در اختیار ما قرار دارد. شبکه عصبی در این مساله در حکم ابزاری برای ایجاد رابطه ای برای پشبینی پارامتر های مختلف با وروردی زمان استفاده می شود. ورودی زمان شامل دو پارامتر ماه و سال می باشد که توسط کاربر در مرحله آخر قابل دریافت می باشد. از داده های فایل اکسل به عنوان ورودی شبکه استفاده شده است. دما در داده نمونه بر حسب سانتیگراد می باشد.

A genetic algorithm to refine input data selection for air temperature prediction using artificial neural networks

The accurate prediction of air temperature is important in many areas of decision-making including agricultural management, transportation and energy management. Previous research has focused on the development of artificial neural network (ANN) models to predict air temperature from one to twelve hours in advance. The inputs to these models included a constant duration of prior data with a fixed resolution for all environmental variables for all prediction horizons. The overall goal of this research was to develop more accurate ANN models that could predict air temperature for each prediction horizon. The specific objective was to determine if the ANN model accuracy could be improved by applying a genetic algorithm (GA) for each prediction horizon to determine the preferred duration and resolution of input prior data for each environmental variable. The ANN models created based on this GA based approach provided smaller errors than the models created based on the existing constant duration and fixed data resolution approach for all twelve prediction horizons. Except for a few cases, the GA generally included a longer duration for prior air temperature data and shorter durations for other environmental variables. The mean absolute errors (MAEs) for the evaluation input patterns of the one-, four-, eight-, and twelve-hour prediction models that were based on this GA approach were 0.564 °C, 1.264 °C, 1.766 °C and 2.018 °C, respectively. These MAEs were improvements of 3.98%, 4.59%, 2.55% and 1.70% compared to the models that were created based on the existing approach for the same corresponding prediction horizons. Thus, the GA based approach to determine the duration and resolution of prior input data resulted in more accurate ANN models than the existing ones for air temperature prediction. Future work could examine the effects of various GA and fitness evaluation parameters that were part of the approach used in this study.

لینک مقاله اصلی:

https://www.sciencedirect.com/science/article/pii/S1568494613000495

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب