تحلیل وضعیت آب و هوایی با یادگیری عمیق مبتنی بر انتخاب ویژگی با الگوریتم یادگیری کلاغ
الگوریتم های فراابتکاری روش های حل مسئله ای است که از رویداد های موجود در طبیعت و یا رفتار جانداران الگوبرداری شده است. در این الگوریتم ها شیوه های حل مسئله در جانداران مورد مدلسازی و الگوبرداری قرار گرفته شده است تا بتوان راه حلهای بهینه را استخراج نمود. الگوریتم های فراابتکاری در زمبنه های مختلف دارای کاربرد می باشند که یکی از آنها بهینه سازی پارامترهای یادگیری ماشین و یادگیری عمیق است. شبکه های عصبی یادگیری عمیق کاربردهای زیادی در موضوعات مختلف مانند پیش بینی، طبقه بندی و تشخیص الگو دارند. یکی از کاربردهای مهم شبکه های عصبی یادگیری عمیق، موضوع پیش بینی وضعیت آب و هوایی است. شبکه عصبی LSTM یک روش یادگیری عمیق است که می تواند برای تشخیص وضعیت آب و هوایی استفاده شود. در لایه اول شبکه یادگیری عمیق LSTM، از انتخاب ویژگی خودکار و در لایه آخر فاز طبقه بندی خودکار انجام می شود. در این مقاله برای کاهش دادن خطای پیش بینی و طبقه بندی شبکه یادگیری عمیق LSTM یک رویکرد دو مرحله ای برای بهبود این شبکه یادگیری عمیق ارایه می شود. در فاز اول از الگوریتم یادگیری کلاغ برای انتخاب ویژگی در لایه اول شبکه LSTM استفاده می شود تا یادگیری روی ویژگی های مهم متمرکز شود. ارزیابی ها نشان داد دقت روش پیشنهادی در پیش بینی وضعیت آب و هوایی برابر 96.92% است و این در حالی است که اگر برای پیش بینی از انتخاب ویژگی استفاده نشود و فقط از شبکه یادگیری عمیق استفاده شود آنگاه دقت روش پیشنهادی در حدود 93.21% است. ارزیابی ها نشان می دهد دقت روش پیشنهادی برای پیش بینی وضعیت آب و هوایی از روش LSTM و MLP بیشتر است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.