پایان نامه پیش بینی دما با روش های هوشمند

پایان نامه پیش بینی دما با استفاده از روش های هوشمند

مقدمه

تابش های مستقیم و غیر مستقیم منشا اصلی انرژی حرارتی کره ی زمین است بازتاب آن ها توسط زمین موجب گرم شدن هوا می گردد. اندازه گیری دما در محیط باز نشان دهنده ی دمای هوا ، دمای ناشی از تابش های اجسام مجاور و تابش های مستقیم خورشید است به همین دلیل دماسنج ها را در پناهگاههای هواشناسی قرار می دهند به طوریکه مخزن آن ها از سطح زمین در ارتفاع مشخصی در حدود 135 سانتی متری قرارداشته باشند. به این ترتیب دمای هوای بدست آمده در نقاط مختلف با یکدیگر قابل مقایسه هستند و تحت تاثیر تابش های مستقیم یا غیر مستقیم نمی باشند. از جمله عوامل موثر در دمای یک منطقه عرض جغرافیایی، ارتفاع، جریان های دریایی، فاصله از دریا، باد، جهت و پوشش ابری می باشند.

حال با توجه به عوامل ذکر شده برای پیش بینی دما روش های گوناگونی به کاربرده شده است طوری که در پی سالیان متمادی تحقیق و پژوهش، روشهای گوناگونی در زمینه پیش بینی پیشنهاد گردیدند که می توان آنها را در دو گروه روش های کلاسیک و اکتشافی مدرن طبقه بندی کرد روشهای کلاسیک بر پایه ی احتمالات و مدل ریاضی عمل می کنند ولی روش های اکتشافی هوشمند، از سیستم های مبتنی بر شبکه های عصبی، منطق فازی، الگوریتم های تکاملی و ترکیبی از روشهای هوش مصنوعی تشکیل شده است. مزیت اصلی روش های اکتشافی مدرن در این است که به طراح در دستیابی به سیستمی دینامیک و غیر خطی کمک می کنند، و همچون متد های کلاسیک نیازی به پیشنهاد یک الگو ندارند و هیچ فرضی درباره ماهیت توزیع داده های مشاهده شده در آنها به چشم نمی خورد. حتی در مواقعی که با مشکل داده های مفقود شده مواجه می شویم، بر خلاف روش های کلاسیک، در متد های اکتشافی مدرن می توان این نقیصه را تا حدودی برطرف نمود. اما شاید مهمترین برتری اکتشافی مدرن در این باشد که عناصر ذهنی و انسانی را در طراحی راه حل مسئله کنار می گذارد، امری که در روش های کلاسیک یکی از ارکان اصلی در پیاده سازی سیستم محسوب می گردد. در حالی که روش های اکتشافی مدرن بدون داشتن هیچ فرضی از مسئله، با کمک داده های مشاهده شده و ساختار های هوشمند نظیر شبکه های عصبی، و یا بر اساس دانش انسان خبره در سیستم های مبتنی بر منطق فازی سعی در مدل کردن مسئله در یک بلاک بسته دارند.

یک روش رویه ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان

3-1-1- چکیده

پیش بینی دقیق دماهای هوای شبانه برای پیش بینی یخبندان می تواند به گسترش استراتژی های موثر کاهش آسیب به محصولاتی که عاملش شکل گیری یخبندان فصلی است، منتهی شود. سیستم پیش بینی ریل تایم باید قادر به اجرا شدن بر روی ماشین های محاسباتی کم قدرت باشند و باید قادر به گسترش یافتن در میدانی که مشاهدات هواشناسی پیشین خاص رویت شده، ممکن است در دسترس نباشد. این مقالهیک روش رویه ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان با استفاده از تطبیق فازی به منظور پیش بینی کردن پارامتر های ساختاری تابع رگرسیون از داده های محدود گذشته ارائه می دهد. در مقاله همچنین مطالعه ای بر شکل گیری یخبندان در شپار تون ، استرالیا، ارائه می دهیم

3-1-2- مقدمه

یخبندان غیر منتظره بر روی محصولات می تواند اثرات زیان باری بر عملکرد محصولات داشته باشد. کاهشدر خسارتی که توسط پدیده های طبیعی اتفاق می افتد ، مثل یخبندان، با استفاده از زمان پیش بینی یخبندان که بر اساس شاخص های کلیدی استمی توان رسید. روش های پیش بینی هوشمند برگرفته از مجموعه داده های پیشین است که برای پیش بینی شرایطی که منجر به یخبندان، می شود. یکی از انواع پدیده ها در صبح 25 ام سپتامبر 2006استرالیا اتفاق افتاد، جایی که درختان میوه در شپارتون منطقه ای از ویکتوریای مرکزی استرالیا واقعه ی یخبندان را که به میوه های در حال رشدآسیب رساند را تجربه کرد. تلفات مالی که توشط این خسارت ایجاد شد از زمان شروعش حدود75 میلیون دلار تخمین زده شد و پیش بینی می شد که تا حدود500 میلیون بالا برود. تلفات اقتصادی فقط محدود به تولید کننده های اولیه نمی شد بلکهبه عنوان یک اثر موجی به جوامع محلی و صنایع مرتبط گسترش یافت و سر انجامبه کاهش استخدام و در آمد های پایین منتهی شد.دولت همچنین تحت تاثیر درآمد های مشمول مالیاتی که کاهش یافته، قرار می گیرد و نیاز به فراهم کردن آسایش برای گروههایی که می بایست خودکفا می بودند افزایش می یابد.

قابلیت پیش بینی با برخی دقت دما های هوای شبانه به طور واضح سودمند می باشد. چنین پیش بینی هایی به طور غیر مستقیم نشانه هایی از یخبندان را خواهد داد. تحقیق در این منطقه به استفاده از مدل های آماری، شبکه های عصبی و گسترش مدل ریاضی پیجیده ای از محیط فیزیکی متمرکز شده است. همچنین تحقیقاتی در مسائل مشابهی از پیش بینی شکل گیری یخ جاده باتمرکز بر استفاده از شبکه های عصبی به منظور بهبود دقت سیستم پیش بینی یخبندان موجود وجود دارد.

این روش ها تمایل به داشتن مرتبه ی بالایی از موضعی خاص را دارند؛ آنها مقداری از داده های قدیمی را قبل از اینکه شروع به پیش بینی با هر دقتی را بکنند نیاز دارند. به عنوان یک نتیجه ، انگیزه ای وجود دارد برای بررسی یک سیستم پیش بینی که می تواند گسترش یابد در یک منطقه کشاورزی بدون نیاز به تجهیزاتی که با داده های قدیمی برای آن منطقه برنامه ریزی شده باشد. بعلاوهسیستم پیش بینی باید قادر به گسترش به نرم افزارهایی با حداقل محاسبات، میکرو کنترولر های یزرگ یا تجهیزات ITX کوچک که در مقابل کامپیوتر های شخصی در اندازه طبیعی، ماشین های محاسباتی نوشتاری باشد. در طول دوره ی این تحقیق، استفاده از شبکه های عصبی برای سیستم های پیش بینی بررسی شد همانطور که در مراجع به طور مفصل بیان شده، اما واضح است که استفاده از شبکه های عصبی به توان محاسباتی قابل توجهی نیاز خواهد داشت و زمان مورد نیاز برای آموزش شبکه بیش از حد بود و همچنین نیاز به مقادیر عظیمی از مشاهدات هواشناسی پیشین وجود داشت.همه ی اینها با تجهیزات سیستم پیش بینی تناقض دارد.

منطق فازی

نظریه ی فازی برای اینکه موضوعات و مسائل پپچیده و بزرگ مقیاس که شامل بازیابی اطلاعات می باشند، قابل فهم باشد و بتوان با ظرفیت فکری اندک تصمیمی معین گرفت، روشی قابل انعطاف و کلی که در قید جزئیات کم اهمیت نیست، ارائه می دهد. این روش از عهده ی موقعیتهای اجتماعی و اقتصادی و محیط طبیعی که نیازمند تنوع و انعطاف است، بر می آید.

به منظور ایجاد الگویی شبیه به پردازش عمومی اطلاعات هوشمندانه ی بشر، دانش و تجربه ی افراد باتجربه ومتخصصان مجرب به زبان طبیعی، وارد رایانه شده و عملیات منطقی به صورت اجمالی اجرا می شوند و با استفاده از این الگو، تحلیل پیش برده می شود و فعالیت های بشر یا پدیده ها و اوضاع اجتماعی و بازرگانی مورد بررسی قرار می گیرند. بیشتر روشهای فازی که برای مدیریت تکمیل شده اند از این روش بهره می گیرند.

در این فصل ابتدا تاریخچه ای از منطق فازی بیان می شود و در ادامه با منطق فازی آشنا خواهیم شد. درآخرهم چگونگی کارکرد سیستم های فازی بررسی می شود.

تاریخچه ی مختصری از منطق فازی

دهه ی 1960 آغاز نظریه فازی بود. نظریه ی فازی به وسیله پروفسور لطفی زاده در سال 1965 در مقاله ای به نام مجموعه های فازی معرفی شد. ایشان قبل از کار بر روی نظریه ی فازی، یک استاد برجسته در نظریه کنترل بود. او مفهوم "حالت" را که براساس نظریه ی کنترل مدرن را شکل می دهد، توسعه داد. ...