مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. روش انجام پژوهش
2.1. مجموعه اطلاعات مورد استفاده
2.1.1. یکسان سازی اطلاعات
2.1.2. آموزش و آزمایش
2.2. روش های هوش مصنوعی استفاده شده
2.2.1. نزدیکترین همسایه K (KNN)
2.2.2. شبکه عصبی مصنوعی. (ANN)
2.2.3. دستگاه یادگیری سریع
2.3. محاسبه عملکرد
3. نتایج و بحث
3.1. اطلاعات توصیفی
3.2 تاثیر گره های پنهان بر دقت و صحت
3.3. پیش بینی عملکرد مدل های هوش مصنوعی
4. نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Three artificial intelligence approaches – K-nearest neighbor (KNN), artificial neural network (ANN), and extreme learning machine (ELM) – are used for the seasonal forecasting of summer monsoon (June-September) and post-monsoon (October-December) rainfall from 2011 to 2016 for the Kerala state of India and performance of these techniques are evaluated against observations. All the aforesaid techniques have performed reasonably well and in comparison, ELM technique has shown better performance with minimal mean absolute percentage error scores for summer monsoon (3.075) and post-monsoon (3.149) respectively than KNN and ANN techniques. The prediction accuracy is highly influenced by the number of hidden nodes in the hidden layer and more accurate results are provided by the ELM architecture (8-15-1). This study reveals that the proposed artificial intelligence approaches have the potential of predicting both summer monsoon and post-monsoon of the Kerala state of India with minimal prediction error scores.
چکیده
سه روش هوش مصنوعی، نزدیکترین همسایه K (KNN)، شبکه عصبی مصنوعی (ANN)، و دستگاه های یادگیری سریع (ELM)، برای پیش بینی فصلی میزان بارش باران موسمی در ماه های ژوئن تا سپتامبر و در نیز پساموسمی در ماه های اکتبر تا دسامبر از سال 2011 تا 2018 در منطقه کرالای هندوستان مورد استفاده قرار گرفته است؛ و عملکرد این روشها با مشاهداتی، ارزیابی شده است. تمامی روش های فوق عملکرد خوبی را از خود نشان داده اند. در مقایسه با دیگر روش ها، روش ELM عملکرد بهتری را نشان داده است و میانگین خطای مطلق کمتری داشته است. که برای دوره اول 057/3 و دوره دوم 149/3 بوده است. دقت پیش بینی نیز به شدت متاثر از تعداد گره های پنهان در لایه های پنهان است؛ و همچنین نتایج بهتری از ساختار ELM بدست آمده است. مطالعه حاضر نشان می دهد که روش های پیشنهادی، قابلیت نمایش دقیق میزان بارندگی در دوره های زمانی فوق را با حداقل میزان خطای میانگین دارند.