انتخاب مناسب ترین ورودی ها برای مدل شبکه عصبی مصنوعی با استفاده از الگوریتم جامعه مورچگان

یافتن مناسب‏ ترین ورودی ‏ها برای شبکه عصبی و همچنین تعداد مناسب ورودی برای آن یکی از چالش ‏هایی است که همواره محققان با آن روبه ‏رو هستند. اغلب، بهترین ساختار برای شبکه عصبی نیز به‏صورت آزمون و خطا مشخص می‏‏شود و درنهایت با تعریف چند ورودی خاص مدل‏ های مختلفی تولید و بررسی می ‏شوند. در این تحقیق به مدل‏سازی کیفی جریان رودخانه گادارچای با استفاده از شبکه عصبی مصنوعی پرداخته شده و دو مدل و برای هر مدل چهار سناریو تعریف شد. در هر دو مدل پارامتر هدف مقدار هدایت الکتریکی بوده است. ورودی‏ های مدل اول (ANNa) را پارامترهایی تشکیل می‏دهند که بیشترین همبستگی را با پارامتر هدف (EC) داشته ‏اند. در مدل دوم (ANNb) مناسب‏ ترین پارامترهای ورودی با استفاده از الگوریتم‏ جامعه مورچگان (ACO) مشخص شد. معیارهای به ‏کار‏رفته در این تحقیق شامل معیارهای میانگین مربعات خطا (MSE)، مجموع مربعات خطا (SSE)، نش‏ ساتکلیف و ضریب همبستگی بوده است. نتایج نشان داد بهترین مدل ANNa، مدل ANNa2 با مقدار MSE برابر 0/0017 است. ورودی ‏های این مدل مجموع کاتیون‏ ها، سختی کل و کلسیم است. بهترین مدل ANNb، مدل ANNb3 با مقدار MSE برابر 0/0012 است. ورودی ‏های این مدل درصد سدیم، pH و سختی کل است. همچنین، نتایج نشان داد استفاده از الگوریتم جامعه مورچگان برای یافتن بهترین پارامترهای ورودی سبب افزایش کارایی شبکه عصبی در قسمت صحت‏ سنجی و تست در مدل ANNb نسبت به مدل ANNa می‏‏شود. طبق نتایج به ‏دست‏ آمده به‏ جای آزمون و خطا در یافتن بهترین ورودی‏ ها برای شبکه عصبی می‏توان به‏ عنوان گام نخست از پارامترهایی استفاده کرد که بیشترین همبستگی را با پارامتر هدف دارند؛ اما پارامترهایی که با پارامتر هدف همبستگی زیادی دارند، لزوما بهترین ورودی‏ ها برای شبکه نیستند. همچنین، نتایج نشان داد از الگوریتم ACO می‏توان به ‏عنوان روشی برای انتخاب متغیرهای ورودی استفاده کرد و عملکرد شبکه عصبی را بهبود بخشید.