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
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,072

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICTMNGT02_201

تاریخ نمایه سازی: 22 آبان 1395

چکیده مقاله:

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 نمود

کلیدواژه ها:

نویسندگان

علیرضا محمدی نژاد گنجی

عضو هیات علمی دانشگاه آزاد اسلامی ،رئیس دانشگاه آزاد مرکز طالقان

مقداد عسگری

کارشناس ارشد MIS کارشناس فناوری اطلاعات دانشگاه آزاد اسلامی مرکز طالقان

سلیمه محمد علی تبار عمران

کارشناس فناوری اطلاعات، مسئول آموزش فدراسیون کونگ فو و هنرهای رزمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • New Radial Basis Function Networks 4Aه [16] Rojas I., Pomares ...
  • New Clustering Technique for Function 4Aه [22] Gonzalez J., Rojas ...
  • R. Fernandez -Varelaa, M.P. Gomez-C arracedo _ _ The use ...
  • way Kohonen neural networks to monitor the temporal evolution of ...
  • Grassi, G., Vecchio, P.: Wind energy prediction using a two-hidden ...
  • Angela P. Ansuj and M. E.Camargo and R. Radharamanar and ...
  • Devil H.F. Yip, E.L. Hines and William W.H. Yu, "Application ...
  • Bashari.M، Vafakhah.M Ph.D. Student, " Comparison of Different Time Series ...
  • Zheng Li and Renwang Li and Zhaohui Shang Haiyan Wang ...
  • Hui Liu, Hong-qi Tian and Di-fu Pan، "Forecasting models for ...
  • C. Narendra Babu, B. Eswara Reddy _ "A mo ving-average ...
  • Ozan Kocadag, Bars_ As_kgil، _ Nonlinear time series forecasting with ...
  • Yaman Roumani, Joseph K. Nwankpa, " Time series modeling of ...
  • Dong Wang, Wei-Zhen Lu, "Forecasting of ozone level in time ...
  • Feyza Girbiz, Celal oztirk, Panos Pardalos, "Prediction of electricity energy ...
  • P.A. Castillob, M.G. Arenasb, J.G. Castellanob, _ Evolving RBF neural ...
  • Azadeh A., Ghaderi S.F., and Sohrabkhani S. 2006. Forecasting electrical ...
  • Sorin Vlad, "Neural Networks Applic ations-Chaotio Time Series Prediction", Distributed ...
  • Rosipal R., Koska M., and Farkas I., "Prediction of Chaotic ...
  • Whitehead A and Choate D., _ _ Co op erativeC ...
  • Xiaoyu L, , Bing K., and Simon Y., Time Series ...
  • Frank J., Davey N., and Hunt P., Time Series Prediction ...
  • Grassi, G., Vecchio, P.: Wind energy prediction using a two-hidden ...
  • Lee, Y.S., Tong, L.I.: Forecasting energy consumption using a grey ...
  • نمایش کامل مراجع