پیش‌بینی آلودگی ذرات معلق با کمک شبکه‌های عصبی در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

شبکه‌های عصبی در متلب

سری‌های زمانی آلودگی هوا دینامیک غیرخطی بالایی دارند. بنابراین، با استفاده از مدل‌های غیرخطی سبب بهبود این پیش‌بینی خواهد شد و یکی از بهترین مدل‌هایی که کارایی خود را به خوبی در مدل‌سازی الگویابی نشان داده است، سیستم‌های هوشمند است که شامل شبکه‌های عصبی می‌باشد. ساختار کلي شبکه‌هاي عصبي مصنوعي، از شبکه عصبي بيولوژيکي انسان الهام گرفته شده است. تحقيقات، پيرامون شبکه‌هاي عصبي، با شناخت و بررسي کار يادگيري مغز انسان همراه بوده است. شبکه‌هاي عصبي مصنوعي، سيستم‌هايي هستند که قادر به انجام عملياتي همانند سيستم‌هاي طبيعي عصبي می‌باشند. يا به‌عبارت بهتر، مي‌توانند ويژگي‌هايي شبيه به عملکرد مغز آدمي را تقليد نمايند. هنگامي که شناخت و توصيف صريح و دقيق از يک مساله وجود داشته باشد، به‌کارگيري قوانين و روابط شناخته شده در رابطه با مساله، به حل آن کمک کرده و مناسب‌ترين راه است. شبکه‌هاي عصبي مصنوعي با پردازش روي داده‌هاي تجربي، دانش يا قانون نهفته در وراي داده‌ها را، به مدل منتقل مي‌کنند. به همين خاطر، به آن‌ها سيستم‌هاي هوشمند نيز گفته مي‌شود. زیرا، بر اساس محاسبات، روي داده‌هاي عددي يا مثال‌ها، قوانين کلي را فرا مي‌گيرند. در شبکه‌های عصبی ورودی‌ها از لایه ورودی به خروجی به صورت پیشرو در وزن های ضرب شده و پس از عبور از لایه‌های مختلف، خروجی شبکه را تشکیل می‌دهند. ساختار قابل یادگیری شبکه‌های عصبی، سبب به‌وجود آمدن روش‌های گوناگون و تصمیم‌های گوناگون جهت آموزش این گونه شبکه‌ها می‌باشد. شبکه با کمک یک رشته از داده‌ها در ورودی آموزش می‌بیند و هنگام حرکت پیشرو، بهترین و نزدیک‌ترین گزینه را به خروجی واقعی در جهت کاهش میزان خطا ارایه می‌کند. ساختار قابل یادگیری شبکه‌های عصبی، سبب به‌وجود آمدن روش‌های گوناگون و تصمیم‌های گوناگون جهت آموزش این گونه شبکه‌ها می‌باشد. از شبکه‌های عصبی در پیش‌بینی سری‌های زمانی، به‌ویژه جایی که شرایطی از قبیل ایستایی یا شرایط دیگری که برای بکارگیری تکنیک‌های کلاسیک باید فراهم باشد، از بین می‌رود و هنگامی که دینامیک سری‌های زمانی زیاد باشند، بسیار استفاده می‌شود. بین مطالعات صورت گرفته در زمینه پیش‌بینی آلودگی هوا، بیشتر روش‌ها منطبق بر روش MLP (پرسپترون چندلایه) بوده است. شبکه‌های MLP معمولا در پیش‌بینی‌های کوتاه مدت کاربردی‌تر هستند.

شبکه‌های خطی در متلب

شبکه‌های خطی کاملا شبیه شبکه‌های پرسپترون می‌باشند، با این تفاوت که علاوه بر۰ و ۱ می‌توانند هر مقدار دیگری را به عنوان خروجی تولید نمایند. زیرا، در این شبکه‌ها از یک تابع خطی به جای تابع انتقال hardlim استفاده شده است. در این گونه شبکه‌ها، تفاوت خروجی و هدف به عنوان خطا در نظر گرفته می‌شود. طی روال آموزش شبکه‌های عصبی، ما به دنبال مقادیری برای وزن‌ها و خطاها هستیم که در نتیجه آن‌ها مجموع مربعات خطاها دارای کمترین مقدار بوده و یا از حد معینی کمتر باشد. در این راستا، ما می‌توانیم این‌گونه شبکه‌ها را برای رسیدن به حداقل خطا با استفاده از الگوریتم حداقل میانگین مربعات آموزش دهیم.

یک شبکه خطی با R ورودی در شکل (۱) نشان داده شده است:

شکل (۱): شبکه عصبی خطی

این شبکه شامل یک لایه با S نرون می‌باشد و ماتریس وزن‌های آن W است. این شبکه کاملا شبیه به پرسپترون می‌باشد با این تفاوت که به جای استفاده از تابع انتقال hardlim، از تابع انتقال purelin استفاده شده است. شبکه‌های خطی دارای یک مرز تصمیم می‌باشند که به ازای wp+b=0 به دست می‌آید. مرز تصمیم‌گیری در این شبکه‌ها در شکل (۲) نشان داده شده است:

شکل (۲): مرز تصمیم‌گیری در شبکه‌های خطی

قسمت هاشور خورده مربوط به خروجی بزرگ‌تر از صفر و قسمت بدون هاشور مربوط به خروجی کوچک‌تر از صفر می‌شود. بدین‌ترتیب، داده‌ها به دو دسته تقسیم می‌شوند.

شبکه‌های خطی همراه با تاخیر TDL

برای ایجاد تاخیر در شبکه نیاز به یک جزء جدید به نام TDL در شبکه است که در شکل زیر نشان داده شده است. TDL، دارای یک ورودی می‌باشد که از مجموعه N-1 تاخیر عبور داده می‌شود. در نتیجه ما یک بردار N عضوی دارای بعد زمانی به عنوان خروجی خواهیم داشت که این بردار شامل ورودی فعلی و ورودی‌های مرحله قبل می‌باشد.

حال با ترکیب TDL با یک شبکه خطی یک فیلتر خطی می‌سازیم شکل (۳):

شکل (۳): شبکه خطی تاخیردار

خروجی این شبکه به صورت زیر خواهد بود:

با توجه به ویژگی‌های این نوع شبکه عصبی، در این مطالعه به منظور پیش‌بینی میزان آلودگی ذرات معلق در هوا، یک شبکه خطی با تاخیر زمانی که با الگوریتم یادگیری LMS آموزش داده شده است، مورد استفاده قرار گرفته است.

 

در اینجا آشنایی با محیط متلب بخش صد و بیست و دوم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام