دانلود مقاله تحقیق پایان نامه

سیستم استنتاج فازی، اعتبارسنجی مدل

همان طور که در نمودار مربوط به تعداد سیکل های آموزشی مشاهده می شود سیستم استنتاج فازی تولید شده با کمترین میزان خطای مربوط به داده های اعتبارسنجی به عنوان مدل پیش بینی مورد استفاده قرار گرفته است.
پارامتر های مختلف خطای مدلسازی EC در مراحل آموزش، اعتبارسنجی و آزمایش مدل های پیش بینی با FIS ایجاد شده توسط genfis2 و genfis3 .
پارامتر خطا پیش بینی پارامترEC Genfis2 پیش بینی پارامترEC Genfis3 [do_widget id=kl-erq-2]
نوع داده ها train validation test train validation test
E 0.7293 0.7852 0.7015 0.7556 0.8036 0.69
R2 0.7293 0.8247 0.7073 0.7556 0.8316 0.6932
%MAPE 10.012% 11.492% 13.62% 9.45% 10.58% 13.06%
MAE 61.6777 76.8804 68.8737 59.018 74.546 69.389
RMSE 81.2153 97.3333 86.2189 77.157 93.09 88.009
با توجه به جدول خطاهای سیستم استنتاج فازی نوع genfis2 و genfis3 مشاهده می شود genfis3 با تولید خطای کمتر در مراحل آموزشی و اعتبارسنجی(در حدود 10 درصد) عملکرد بهتری در آموزش و ارزیابی مدل پیش بینی EC از خود نشان داده است. در واقع در مراحل آموزش و اعتبارسنجی مدل ها خطای کمتری تولید کرده است.
تحقیق نتایج بدست آمده توسط مدل فازی عصبی تولید شده توسط genfis3 در سعی های مکرر، به ازای پارامترهای بهینه بدست آمده نشان می دهد، خطای مربوط به مدلسازی از تلورانس بسیار کمی برخوردار است؛ و جواب مدلهای بدست آمده با ساختار ثابت، برخلاف شبکه های عصبی در یک محدوده مشخص می باشد و از تناوب بسیار کمی برخوردار است.
شبکه های عصبی در پیش بینی EC گام زمانی آینده ایستگاه گراب
در این مرحله مدلسازی مربوط به پیش بینی هدایت الکتریکی، در گام زمانی یک ماه آینده با ورودی های تأخیری تعریف شده در مرحله انتخاب ورودی انجام پدیرفته است و ساختار بهینه پارامترهای متغیر شبکه با سعی های مکرر حاصل شده است. در ادامه نتایج مربوط به مدلسازی ادائه شده است.
نتایج مربوط به خطای RMSE هر یک از مراحل آموزش، اعتبارسنجی و آزمایش پیش بینی EC ایستگاه گراب-آب شیرین در گام زمانی ماه آینده با ورودی های تأخیری (1 ، 2 ، 6 ، 11 ، 12) ماهه گذشته با حفظ پیوستگی سری زمانی ورودی های مدل در شکل 5-11 نشان داده شده است. بهترین نتیجه مربوط به سعی 7 باکمترین خطای تولید شده می باشد.

خطای آموزشی، اعتبارسنجی و آزمایشی پیش بینیEC باتعداد نرون های مختلف
شبکه عصبی BP با الگوریتم آموزشی Levenberg- Marquardt از نوع trainbr و یک لایه tansig با تعداد 7 نورون در لایه پنهان و یک لایه خروجی خطی در سعی و خطاهای مختلف از کارایی بالایی برخودار است. با توجه به نمودار داده های مشاهداتی و پیش بینی شده ملاحضه می شود پراکندگی داده ها در قسمت پایین نمودار نسبت به بالای نیمساز رسم شده بیشتر می باشد، این امر حاکی از این موضوع می باشد که مدل، مقادیر بیشینه سری زمانی را با دقت بیشتری تخمین زده است. از طرفی آشفتگی نمودار در مقادیر کمینه بیشتر می باشد.

مقادیر مشاهداتی و پیش بینی شده EC یک ماه آینده توسطANN.
در نمودار شکل 5-18 روند کاهش خطای مدل و توقف آموزش نشان داده شده است. استفاده از الگوریتم آموزشی trainbr و توقف آموزش در تکرارهای بالا سبب می شود شبکه مقادیر وزن ها و بایاس های شبکه را با دقت بیشتری محاسبه نماید. و روند توقف آموزش به نرمی اتفاق افتاده است.

نحوه کاهش خطا و فرایند تعداد تکرارهای آموزشی و آزمایشی تا توقف آموزش
در جدول 5-6 پارامترهای مختلف خطای شبکه عصبی در پیش بینی EC در گام زمانی آینده ارائه شده است.
پارامترهای مختلف خطای مدلسازی هدایت الکتریکی در مراحل آموزش، اعتبارسنجی و آزمایش مدل های پیش بینی شبکه عصبی.

]]>