بررسی الگوریتم های LM و PSO در پیش بینی امواج خلیج مکزیک

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 499

فایل این مقاله در 9 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:

NSMI14_074

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

پیش بینی ارتفاع امواج دریا از ضروری ترین نیازهای اطلاعاتی مرتبط با محیط دریا است. بنابراین طی دهه های گذشته مدل های مختلفی برای پیش بینی پارامترهای امواج ارائه شده است که از آن جمله می توان به روشهای ابزار محاسبات نرم اشاره نمود. یکی از این روشها، شبکه عصبی با الگوریتم بهینه سازیLM و PSO می باشد که مبتنی بر اصول یادگیری و بهینه سازی پارامتر ها است. دراین تحقیق با استفاده از داده های سال 2011 خلیج مکزیک و استفاده از مدل های مختلف شبکه عصبی با الگوریتمPSO به پیش بینی ارتفاع امواج این منطقه پرداخته شده است این بررسی علاوه بر تعیین ضرایب مناسب این اگوریتم، مشخص شد که سرعت برشی باد و پریود موج، پارامترهای موثر در تعیین ارتفاع امواج این منطقه می باشند. سپس برای مقایسه الگوریتم های آموزشی PSO با LM مشابه قبل مدل های مختلفی برای تعیین ساختار شبکه مناسب استفاده شد. نتایج این بررسی نیز حاکی از این موضوع بود که روش شبکه عصبی با الگوریتم LM روشی مطلوب تر از PSO می باشد.

کلیدواژه ها:

پیش بینی موج- خلیج مکزیک-شبکه عصبی-الگوریتمPSO ، الگوریتمLM

نویسندگان

همایون احمدوند

دانشجوی دکتری فیزیک دریا، دانشگاه علوم و فنون دریایی خرمشهر

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 :
  • - اعنماد شهیدی، ا.، معینی م. ه.، کاظمی نژاد، م. ...
  • Deo, M.C., Naidu, C.S., 1999. Real time wave forecasting using ...
  • Agrawal, J.D., Deo, M.C., 2002 .On-linewave prediction .Marine Structures 15, ...
  • Makarynskyy, O., Pires-Silva, A.A., Makarynskyy, D., Ventura- Soares, C., 2005. ...
  • Kazeminezhad, M.H., Etemad- Shahidi, A., Mousavi, S.J., 2005. Application of ...
  • Mahjoobi, J., Etemad- Shahidi, _ Kazeminezhad, M.H., 2008. Hindcasting of ...
  • Gaur, S., Deo, M.C., 2008. Real-time _ forecasting using genetic ...
  • Etemad- Shahidi, _ Mahjoobi, J., 2009. Comparison between M5- model ...
  • Ozger, M., Sen, Z., 2007. Prediction of wave parameters by ...
  • Deo, M.C., Jha, A., Chaphekar, A.S., Ravikant, K., 2001. Neural ...
  • Gaur, S., Deo, M.C., 2008. Real-time wave forecasting using genetic ...
  • J. Kennedy, R C. Ebehart and Yuhui Shi. Swarm Intelligence. ...
  • J. Kennedy, R C. Ebehart and Yuhui Shi. Swarm Optimization' ...
  • N. Nedjah and L.M. M ourella. Swarm Intelligent System Springer, ...
  • R. L. Haupt and S.E. Haupt. Particial Genetic Algorithms John ...
  • Haykin, S., 1994.Neural Networks. A Comprehens ive Foundation. Macmillan College ...
  • Rumelhart, D.e., Hinton, E., Williams, J., 1986. Learning internal representation ...
  • Demuth, Howard & Beale, Mark.(1998). Neural Network Toolbox For Use ...
  • M. Geethanjali, S. M. R. Slochanal, and R. Bhavani, PSO ...
  • _ Yan, and Zh. Fu, Optimization and Coordination of Controls ...
  • US Army, 2006. Coastal Engineering Manual. Chapter II-2, Meteorology and ...
  • /213 0/199 0/203 0/180 0/066 0/070 ...
  • /954 0/950 0/194 0/201 0/066 0/065 ...
  • نمایش کامل مراجع