بهینه سازی شبکه عصبی کانولوشن با الگوریتم حشره آبسوار در پیش بینی وضعیت آب و هوایی

یکی از موضوعات مهم و کاربردی در دنیای امروز، پیش بینی وضعیت آب و هوایی است. پیش بینی وضعیت آب و هوایی باعث می شود تا زیان و خسارات شرایط بحرانی آب و هوایی کاهش داده شود. پیش بینی وضعیت آب و هوایی می تواند در کاربردهای مانند کشاورزی و حمل و نقل هوایی موثر باشد. برای پیش بینی وضعیت آب و هوایی نیاز است که اطلاعات محیطی برای یک دوره مشخص گردآوری شود و سپس این اطلاعات به عنوان ورودی یک سیستم پیش بینی استفاده شود. برای پیش بینی وضعیت آب و هوایی در بیشتر مطالعات از روش های رگرسیون استفاده شده است. یکی از روش های که می توان برای یادگیری و پیش بینی آب و هوایی از آن استفاده نمود، شبکه های یادگیری عمیق و از جمله شبکه عصبی کانولوشن می باشد. یکی از چالش های مهم شبکه عصبی کانولوشن آن است که انتخاب ویژگی را غیر هوشمندانه و با استفاده از تعدادی عملیات کانولوشن انجام می دهد. در این مقاله برای بهبود دادن دقت پیش بینی شرایط آب و هوایی توسط شبکه عصبی کانولوشن، یک روش هوش گروهی ارایه شده است. در روش پیشنهادی در لایه اول به جای آنکه از عملیات کانولوشن برای انتخاب ویژگی استفاده شود از ترکیب شبکه عصبی چند لایه و الگوریتم حشره آبسوار برای انتخاب ویژگی استفاده می شود. انتخاب هوشمندانه ویژگی در لایه اول شبکه کانولوشن، دقت آن را در پیش بینی وضعیت آب و هوایی افزایش می دهد. ارزیابی ها با استفاده از مجموعه داده های مرتبط با شرایط آب و هوایی نشان می دهد روش پیشنهادی دارای دقت و حساسیتی به ترتیب برابر 96.32% و 96.14% در پیش بینی آب و هوا است. روش پیشنهادی نسبت به شبکه یادگیری عمیق CNN، توانسته دقت پیش بینی را در حدود 8.35% افزایش دهد.