طراحی یک سیستم فازی-عصبی خود سازمانده با قابلیت یادگیری برخط در پیش بینی بلند مدت بارش فصلی باران در شهر مشهد

در این مقاله یک سیستم فازی- عصبی خود سازمنده با قابلیت یادگیری بر خط (OSO-NFS) برای پیش بینی بلند مدت بارش فصلی باران در شهر ارائه شده است. ابتدا در این سیستم هیچ نودی در لایه ی پنهان وجود ندارد و در طی فرایند آموزش چنانچه معیارهای تولید قوانین ارضاء شونده نرون RBF به لایه ی پنهان اضافه می شود. پارامترهای قانون جدید به فرم تاکاگی-سوگنو با استفاده از الگوریتم آموزش RLS برای قابلیت یادگیری خط و افزایش سرعت همگرایی، تخمین زده می شوند. بعد از فرایند ایجاد قانون جدید، کارایی سیستم محاسبه شده و قوانینی که تاثیر کمتری در کارایی سیستم دارند هرس می شوند، ویژگی های اصلی این مقاله عبارت است از: 1) استفاده معیار جدید درجهی تطبیق و معیار متداول فاصله در فاز رشد قوانین 2) ارائه یک الگوریتم هرس جدید بر اساس چگالی که چگالی تعداد دفعاتی است که یک قانون آتش می شود، هر بار که یک الگو توسط یک قانون پوشش داده می شود به چگالی آن قانون یک واحد اضافه می گردد در پایان قانونی که کمترین چگالی را داشته باشد از بین قوانین هرس می شود 3) ترکیب توابع عضویت مشابه و تغییر عرض آنها به منظور افزایش کارایی سیستم 4) ایجاد قوانین فازی بدون استفاده از الگوریتم پس از انتشار خطا. نتایج شبیه سازی با بررسی عملکرد سیستم بر روی داده های سری زمانی بارش باران و مقایسه با دوروش GEBF-OSFNN و ANFIS حاکی از دقت و کارایی بالاتر روش پیشنهادی در پیش بینی باران و ساختار فشرده تر الگوریتم پیشنهادی نسبت به دو روش دیگر است

کلیدواژه ها:

پیش بینی بارش فصلی ، سیستم های فازی- عصبی خودسازمنده ، قوانین تاکاگی-سوگنو ، الگوریتم RLS