دانلود مقاله تحقیق پایان نامه

شبکه عصبی مصنوعی، ارزیابی مدل

در این مطالعه به منظور بررسی قابلیت مدلهای پیش بینی و شبیه سازی EC با استفاده از شبکه عصبی از 70 درصد داده های موجود به منظور آموزش شبکه و از 15 درصد داده ها برای صحت سنجی ANN استفاده شده است. با استفاده از صحت سنجی داده ها می توان کارایی مدل آموزش داده شده را بررسی نمود. پس از آموزش شبکه و صحت سنجی آن شبکه قادر خواهد بود تا در مقابل داده های جدید قرار بگیرد و خروجی مناسب را ارائه نماید. لذا از 15 درصد باقیمانده داده های موجود برای آزمایش شبکه استفاده گردید. برای ارزیابی مدلها پس از آموزش شبکه، داده های آزمایشی وارد مدل شده سپس نتایج حاصل از مدل شبیه سازی وپیش بینی با مقادیر مشاهداتی توسط پارامترهای آماری ضریب رگرسیون R2، متوسط خطای ریشه مربعات RMSE، ضریب تبیین (یا ضریب کارایی شبکه) E، میانگین خطای مطلق MAE ، درصد میانگین خطای مطلق %MAPE در جداول مربوطه مقایسه شده است.
ارزیابی مدل ها
ریشه میانگین مربعات خطا
ریشه میانگین مربعات خطا یکی از مشخصه های پراکندگی می باشد و برتری این شاخص نسبت به دیگر شاخص های آماری یکسان بودن واحد آن با واحد متغیر مدلسازی است. مقایسه پراکندگی دو متغیر که واحدهای مختلفی دارند با این مشخصه امکان پذیر نیست.

[do_widget id=kl-erq-2]

مقدار واقعی متغیر وابسته و مقدار پیش بینی شده آن و n تعداد این متغیر می باشد. مقدار کمتر این آماره نشان دهنده عملکرد بهتر مدل می باشد [51] .
میانگین درصد خطای مطلق

مقدار کمتر میانگین درصد خطای مطلق نشان دهنده عملکرد بهتر مدل می باشد [14] .
ضریب کارایی شبکه
ضریب تبیین (E) یا ضریب کارایی شبکه به طور گسترده ای در مدل های کاربردی مهندسی آب و هیدرولوژی مورد استفاده قرار گرفته است. Nash and Sutcliffe [1970] ضریبی، که از هر مقدار منفی تا 1 را در بر می گیرد معرفی کردند، مقدار هرچه بیشتر این آماره نشان دهنده موفقیت بیشتر مدل می باشد [48] .

میانگین خطای مطلق

مجذور ضریب همبستگی
شاخصی است که به منظور تعیین نوع همبستگی و میزان درجه رابطه خطی، بین مقادیر پیش بینی و مقادیر واقعی به کار می رود. مقدار آن در بازه [-1,1] تغییر می کند. چنانچه این مقدار برابر یک باشد نشانگر وجود همبستگی کامل و مستقیم بین متغیرهای مورد بررسی است و اگر برابر منفی یک باشد بیانگر وجود همبستگی کامل ولی معکوس بین متغیرهاست. صفر بودن مقدار این آماره به مفهوم عدم همبستگی بین متغیر مستقل و وابسته می باشد. مجذور ضریب همبستگی از رابطه زیر محاسبه می شود.

معیارهای ذکر شده، همگی برای ارزیابی پیش بینی های نقطه ای استفاده می شوند. به منظور بهینه سازی پارامترهای شبکه عصبی مصنوعی، تابع هدف حداقل نمودن میانگین مربعات خطا MSE کل داده های آموزش و صحت سنجی در نظر گرفته شده است که در آن f تابع هدف می باشد. f= Minimize (MSE)
نتایج پیش بینی پارامترهای کیفی رودخانه آب شیرین-ایستگاه گرآب
نروفازی (ANFIS)
در مدل ANFIS در لایه اول، مقادیر هر متغیر ورودی باید به چند کلاس برای ساختن قوانین مربوط، دسته بندی شود. برای طبقه بندی داده های ورودی و ساخت قوانین، روش های افراز شبکه ای، خوشه بندی فازی کاهشی و روش کلاسترینگ فازی استفاده می شود. در مدل فازی عصبی افراز شبکه ای توسط genfis1 ، خوشه بندی فازی کاهشی توسط genfis2 و روش کلاسترینگ فازی با استفاده از genfis3 تولید می شود.
زمانی که تعداد متغیرهای مورد استفاده کم است، افراز شبکه ای، یک روش مناسب برای طبقه بندی داده ها می باشد ولی در این مطالعه به علت وجود دوازده تأخیر زمانی در سال گذشته به عنوان ورودی و نیاز به وجود تعداد قابل توجه ای تابع عضویت برای هر کدام از ورودی ها نمی توان از این روش استفاده کرد. بنابراین از خوشه بندی فازی کاهشی توسط genfis2 و روش کلاسترینگ فازی با استفاده از genfis3 برای تولید قوانین فازی در فرایند پیش بینی استفاده می شود.
در صورت کم بودن تعداد تأخیرهای زمانی به عنوان داده های ورودی مدل مثلا استفاده از تاخیرهای (1 و 12) ماهه گذشته برای پیش بینی باعث وقوع تلورانس بالا در خطای MSE خواهد شد، به عبارت دیگر باعث وقوع ناپایداری در حل مسئله خواهد شد.

]]>