یک روش جدید در پیش بینی بارندگی توسط شبکه های عصبی
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,159
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEIC03_074
تاریخ نمایه سازی: 4 آذر 1389
چکیده مقاله:
دراین تحقیق یک الگوریتم یادگیری جدید برای شبکه های عصبی تحت عنوان الگوریتم یادگیری پس از انتشار خطای فازی تصادفی RFBP معرفی می شود براساس این الگوریتم جدید نه تنها قابلیت یادگیری شبکه بالا می شود بلکه قابلیت رهایی از مینیمم محلی هنگامیکه شبکه در حال اموزش است نیز افزایش می یاید سپس کارایی این الگوریم با کارایی انواع الگوریتم پس انتشار خطا مقایسه می شود مدل تحت اموزش این دو الگوریتم مدل شبکه عصبی پرسپترون چند لایه MLP است که الگوی بارش را فراگرفته و از یادگیری های خود جهت پیش بینی بارندگی با درجه بالایی از قابلیت اطمینان استفاده می کند این مدل با الگوریتم پس انتشار خطای فازی تصادفی و الگوریتم پس انتشار خطا اموزش داده می شود و نتایج با همدیگر مقایسه می شود با مقایسه دقت عملکرد این دو الگوریتم اموزش ملاحظه می شود که الگوریتم پس انتشار خطای فازی تصادفی عملکرد بهتری نسبت به الگوریتم پس انتشار خطا دارد.
کلیدواژه ها:
نویسندگان
نازنین کاوه پور
گروه کامپیوتر دانشگاه آزاد اسلامی واحد لاهیجان
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 :