پروژه پیش بینی دما با استفاده از روش های هوشمند. doc

نوع فایل: word

قابل ویرایش 110 صفحه

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 مقاله یک 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

مقدمه:

یخبندان غیر منتظره بر روی محصولات می تواند اثرات زیان باری بر عملکرد محصولات داشته باشد. کاهش در خسارتی که توسط پدیده های طبیعی اتفاق می افتد ، مثل یخبندان، با استفاده از زمان پیش بینی یخبندان که بر اساس شاخص های کلیدی است می 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 2006 استرالیا 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 حدود 75 میلیون دلار تخمین زده شد و پیش بینی می شد که تا حدود 500 میلیون بالا برود. تلفات اقتصادی فقط محدود به تولید کننده های اولیه نمی شد بلکه به عنوان یک اثر موجی به جوامع محلی و صنایع مرتبط گسترش یافت و سر انجام به 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. بعلاوه سیستم 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.

سیستم پیش بینی که اینجا ارائه شده است، روش متفاوتی را برای پیش بینی بکار می‌گیرد، آن از ترکیب رگرسیون چند جمله ای و تطبیق فازی برای دستیابی به دقت پیش بینی خوب با سربار محاسباتی اساساً کمتری استفاده می شود. ساعت به ساعت مشاهدات هواسنجی از هواشناسی بیورای استرالیا برای مدت زمان از 2000 تا نیمه و اواخر 2006 برای 14 مکان متفاوت به منظورتست فراهم شد. این مقاله راههای پیش بینی مورد قبول را توصیف می کند و پیش بینی های تولید شده توسط سیستم را تجزیه تحلیل خواهد کرد وقتی که مشاهدات هواشناسی از منطقه ی شپارتون، خصوصا آرودروم شپارتون، به شماره ایستگاه 81125 بکاربرده شد. همچنین واقعه ی یخبندان شپارتون بررسی و پیش بینی های دمای هوا طرح ریزی خواهد شد. بعلاوه این مقاله به صورت زیر سازمان دهی شده است: بخش دوم روش شناسی را ارائه می‌دهد، و پیامد ها و مباحثش در بخش سوم ارائه می شود در حالی که در انتهای مقاله نتیجه گیری را خواهیم داشت.

فهرست مطالب:

فصل یکم - منطق فازی و ریاضیات فازی

منطق فازی

تاریخچه مختصری از منطق فازی

آشنایی با منطق فازی

سیستم های فازی

نتیجه گیری

ریاضیات فازی

مجموعه های فازی

مفاهیم مجموعه های فازی

عملیات روی مجموعه های فازی

انطباق مجموعه های فازی

معیار های امکان و ضرورت

روابط فازی

1-2-6-1- رابطه ی هم ارزی فازی

1-2-6-2- ترکیب روابط فازی

منطق فازی

1-2-7-1- عملیات منطقی و مقادیر درستی فازی

1-2-7-2- کاربرد مقادیر درستی فازی

نتیجه گیری

فصل دوم- الگوریتم ژنتیک

2-1- چکیده

2-2- مقدمه

2-3- الگوریتم ژنتیک چیست؟

2-4- ایده اصلی الگوریتم ژنتیک

2-5- الگوریتم ژنتیک

2-6- سود و کد الگوریتم

2-7- روش های نمایش

2-8- روش های انتخاب

2-9- روش های تغییر

2-10- نقاط قوت الگوریتم های ژنتیک

2-11- محدودیت های GA ها

2-12- چند نمونه از کاربردهای الگوریتم های ژنتیک

2-13- نسل اول

2-14- نسل بعدی

2-14-1- انتخاب

2-14-2- تغییر از یک نسل به نسل بعدی(crossover)

2-14-3- جهش (mutation)

2-15- هایپر هیوریستیک

فصل سوم- بررسی مقالات

3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان

3-1-1- چکیده

3-1-2- مقدمه

3-1-3- روش شناسی

3-1-3-1- مجموعه اصطلاحات

3-1-3-2-نگاه کلی

3-1-3-3- یادگیری

3-1-3-4- تولید پارامتر های ساختاری

3-1-3-5- پیش بینی

3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق

3-1-4- نتایج

3-1-4-1- واقعه ی یخبندان شپارتون

3-1-4-2- بحث

3-1-5- نتیجه گیری

3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک

3-2-1- چکیده

3-2-2- مقدمه

3-2-3- سری های زمانی فازی و روابط منطق فازی

3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک

3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک

3-2-6- نتیجه گیری

3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده

3-3-1- چکیده

3-3-2- مقدمه

3-3-3- داده و روش بررسی

3-3-4- نتایج

3-3-5- نتیجه گیری

فهرست جداول:

جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی

جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه

جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان

جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان

جدول3-2-3- جمعیت ابتدایی

جدول3-2-4- میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم

جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی

جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم

جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی

جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی

جدول3-2-9- داده های قدیمیTAIFEXو TAIEX

جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی

جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی

فهرست اشکال:

شکل 1-1-1- طرز کار سیستم فازی

شکل 1-2-1- نمودار توابع فازی s، ذوزنقهای و گاما

شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت

شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک

شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع

شکل 1-2-5- انطباق دو مجموعه فازی

شکل 1-2-6- نمایش معیار های امکان و ضرورت

شکل 1-2-7- مقادیر درستی فازی

شکل 2-1- منحنی

شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی

شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند

شکل 3-1-2- مشاهدات هواشناسی به صف شده

شکل 3-1-3- دیاگرام درختی

شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا

شکل 3-1-5- هیستوگرام خطا های پیش بینی

شکل3-1-6- خطای میانه ماهیانه

شکل 3-1-7-خطای درصدی میانه ماهیانه

شکل 3-1-8-تراکم پیش بینی

شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا

شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا

شکل 3-2-1- یک کروموزوم

شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-1

شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-1

شکل 3-2-4- عملیاتcrossover دو کروموزوم

شکل3-2-5- عملیات جهش یک کروموزوم

شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن 1996

شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم

شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم

شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی

شکل 3-3-2- مقادیر مشاهده و پیش بینی شده ی ولف نو

شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان

منابع ومأخذ:

دکتر محمد مهدوی ،هیدرولوژی کاربردی، جلد1، انتشارات دانشگاه تهران[1]

دکتر هوشنگ قائمی، مبانی هواشناسی،انتشارات دانشگاه شهید بهشتی[2]

امین کوره پزان دزفولی،اصول تئوری مجموعه های فازی[3]

ترجمه ی دکتر محمد حسین فاضل زرندی،تالیف جی.ج.کلر-یو.اس.کلیر و ب.یوآن،تئوری مجموعه های فازی[4]

[5] George J. Klir Bo Yuan, Fuzzy sets and Fuzzy Logic, Theory and applications , Prentice Hall PTR , 1995.

[6] Anna Kolesárová, Monika Kováčová, Fuzzy sets and their applications STU Bratislava 2004, ISBN 8022720364

[7] Chen, G. Q, Fuzzy Logic in Data Modeling, Semantics, Constraints, and Database Design, Kluwer Academic Publisher,1999.

[8] [Zad65], Fuzzy Sets, Zadeh L.A., 1965

[9] [KYu], Fuzzy Sets and Fuzzy Logic – Theory and Applications, Klin D. George, Bo Yuan

[10] [MLAB], Fuzzy Logic Toolbox, The MathWorks, www.mathworks.com.

[11] [Zim85], Fuzzy Sets, Decision Making and Expert Systems, Zimmermam Hans J., Kluwer Academic Press.

[12] [DPR1], Readings in Fuzzy Set – Fuzzy numbers an overview, Dubois and Prade.

[13] [KZF], An InteractiveUser-Friendly Decision Support System for consensus Reaching Based on Fuzzy Logic with linguistic quantifiers, Kacprzyk, Zadrozny and Fedrizzi.

[14] [YAG88], An Ordered Weighted Averaging Aggregation Operators in Multicriteria

Decision Making , Ronald Yager.

[15] [VIL03], Introducción a la Lógica Difusa para la representación de información imprecisa, Vila Amparo, 2002-2003.

[16] V. Cross and A. Firat, “Fuzzy objects for geographical information systems,” Fuzzy Sets and Systems, Vol. 113, 2000, pp. 19-36.

[17] V. Cross, “Fuzzy extensions for relationships in a generalized object model,” International Journal of Intelligent Systems, Vol. 16, 2001, pp. 843-861.

[18] V. Cross, “Defining fuzzy relationships in object models: Abstraction and interpretation,”Fuzzy Sets and Systems, Vol. 140, 2003, pp. 5-27.

[19] V. Cross, R. Caluwe, and N. van Gyseghem, “A perspective from the fuzzy object

data management group (FODMG),” in Proceedings of the 6th IEEE International Conference on Fuzzy Systems, Vol. 2, 1997, pp. 721-728.

[20] J. C. Cubero and M. A. Vila, “A new definition of fuzzy functional dependency in

[21]fuzzy relational databases,” International Journal of Intelligent Systems, Vol. 9, 1994, pp. 441-448.

[22 ] G. de Tré and R. de Caluwe, “Level-2 fuzzy sets and their usefulness in object- oriented

[23]database modeling,” Fuzzy Sets and Systems, Vol. 140, 2003, pp. 29-49.

[24] D. Dubois, H. Prade, and J. P. Rossazza, “Vagueness, typicality, and uncertainty in

class hierarchies,” International Journal of Intelligent Systems, Vol. 6, 1991, pp. 167-183.

[25] R. George, R. Srikanth, F. E. Petry, and B. P. Buckles, “Uncertainty management issues in the object-oriented data model,” IEEE Transactions on Fuzzy Systems, Vol. 4, 1996, pp. 179-192 and Applications Symposium, 2000, pp. 47-54.

[26] D. Bottazzi, A. Corradi and R. Montanari: A Contextaware Group Management Middleware to suppor

[27]Central Weather Bureau. (1996). The historical data of the daily average temperature and daily cloud density (from January 1995 to September 1996). Taipei, Taiwan, R.O.C.

[28]Chen, S. M. (1996). Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3), 311–319.

[29]Chen, S. M. (2002). Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems: An International Journal, 33(1), 1–16.

[30]Chen, S. M., & Hwang, J. R. (2000). Temperature prediction using fuzzy time series. IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, 30(2), 263–275.

[31]Gen, M., & Cheng, R. (1997). Genetic algorithms and engineering design. New York: John Wiley & Sons.

[32]Goldberg, D. E. (1989). Genetic algorithm in search, optimization, and machine learning. Massachusetts: Addison-Wesley.

[33]Goldberg, D. E., Korb, B., & Deb, K. (1989). Messy genetic algorithms: motivation, analysis, and first results. Complex Systems, 3(5), 493–530.

[34]Holland, J. H. (1975). Adaptation in natural and artificial systems. Cambridge, MA: MIT Press.

[35]Huarng, K. (2001a). Effective lengths of intervals to improve forecasting in fuzzy time series. Fuzzy Sets and Systems, 123(3), 387–394.

[36]Huarng, K. (2001b). Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems, 123(3), 369–386.

[37]Hwang, J. R., Chen, S. M., & Lee, C. H. (1998). Handling forecasting problems using fuzzy time series. Fuzzy Sets and Systems, 100(2), 217–228.

[38]Lee, L. W., & Chen, S. M. (2004). Temperature prediction using genetic algorithms and fuzzy time series. In Proceedings of the 2004 international conference on information management, Miaoli, Taiwan, Republic of China (pp. 299–306).

[39]Lee, L. W., Wang, L. H., Chen, S. M., & Leu, Y. H. (2004). A new method for handling forecasting problems based on two-factors high-order fuzzy time series. In Proceedings of the 2004 ninth conference on artificial intelligence and applications, Taipei, Taiwan, Republic of China.

[40]Song, Q. (2003). A note on fuzzy time series model selection with sample autocorrection functions. Cybernetics and Systems: An International Journal, 34(2), 93–107.

[41]Song, Q., & Chissom, B. S. (1993a). Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3), 269–277.

[42]Song, Q., & Chissom, B. S. (1993b). Forecasting enrollments with fuzzy time series – Part I. Fuzzy Sets and Systems, 54(1), 1–9.

[43]Song, Q., & Chissom, B. S. (1994a). Some properties of defuzzification neural networks. Fuzzy Sets and Systems, 61(1), 83–89.

[44]Song, Q., & Chissom, B. S. (1994b). Forecasting enrollments with fuzzy time series – Part II. Fuzzy Sets and Systems, 62(1), 1–8.

[45]Sullivan, J., & Woodall, W. H. (1994). A comparison of fuzzy forecasting and Markov modeling. Fuzzy Sets and Systems, 64(3), 279–293.

[46]Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8, 338–353

[47] B.A. Smith, R.W McClendon, G. Hoogenboon,“Improving Air Temperature Prediction with Artificial Neural Networks”, International Journal of ComputationalIntelligence, vol. 3, (3), pp. 179-186, 2006.

[48] J. Shao, “Application of artificial neural networks to improve short-term road ice forecasts”, Expert Systems With Applications, vol. 14, pp 471-482, 1998.

[49] J. Shao, “Improving Now casts of Road Surface Temperature by a Back propagation Neural Network”, Weather and Forecasting, vol. 13, pp. 164-171, 1998.

[50] G. Emmanouli, G. Galantis & G.Kallos, “Statistical methods for the prediction of night-time cooling and minimum temperature”, Meterol. Appl, vol. 13, pp. 169- 178, 2006.

[51] J.P. Lhomme, L.Guilioni, “A simple model for minimum crop temperature forecasting during nocturnal cooling”, Agricultural and Forest Meterology, vol.123, pp. 55-68, 2004.

[52] O.Guerrera, “Frost damage bill tipped to reach $500m in north”, Sept 2006; http://www.theage.com.au/news/national/frost-damage-billtipped- to-reach-500m-innorth/

2006/09/25/1159036473098.html

[53] Wolfram Mathworld, “Least Square Fitting – Pollynomial”; http://mathworld.wolfram.com/LeastSquaresFittingPolyno mial.html

[54]Attia, A. F. 2005 in press

[55]Attia, A. F., Rabab, H., & Maha, S.Q. 2004, Solar Phys., 227, 1

[56]Briffa, K.R., & Jones, P.D. 1993, The Holocene, 3,77

[57]Dergachev,V., & Kartavykh, Y. 2002, 34th COSPAR Scientific Assembly ,the second world Space Congress, 10-19 Oct 2002 in Houston, TX,USA

[58]Folland, C.K., & Parker, D.E. 1995, Quarterly Journal of the Royal Meteorological Society, 121, 319

[59]Huang, S. 2004, Geophys Res Letters, 31, 13, CiteID, L3205

[60]Jones, P.D., Osborn, T.J., Bri_a, K.R., Folland, C.K. , Horton, E.B., Alexander, L.V., Parker, D.E., & Rayner, N.A. 2001, Journal of Geophysical Research, 106, 3371

[61]Jones, P.D., New, M., Parker, D.E., Martin, S., & Rigor, I.G. 1999, Reviews of Geophysics, 37, 173

[62]J. T. Houghton, L. G. Meira Filho, B. A. Calander, N. Harris, A. Kattenberg, and K. Maskell (Eds.) 1995, Cambridge University Press, 133

[63]Jones, P.D., & Bri_a, R. 1992, The Holocene, 2, 165

[64]Levitus, S., Antonov, J., & Boyer, T. 2005, Geophys. Res. Letters, 32, 2, Cite ID L02604

[65]Meehl, G.A. 2004, J.Climate

[66]Maha, S.Q. 2004 Cospar, 2004, Paris

[67]Nicholls, N., et al. 1996, Climate Change

[68]North,G.R. 2004: American Geophysical Union, Meeting 2004,abstract SH51E-06

[69]Pang,K.D., & Yau, K.K. 2004, American Astronomical society Meeting 205, 44.01

[70]Yousef, S. 2003, ESA SP-535, ISBN 92-9092- 845-X, 397

مجله علم و کامپیوتر [71]www.ccwmagazine.com

[72] www.wikipedia.com

[73] www.talkorigins.org

[74] www.gpwiki.org

[75] پاورپوینت Koza www.smi.stanford.edu/people/koza

[76] دانشکده کامپیوتر دانشگاه McGill کانادا www.cgm.cs.mcgill.ca

[77]www.sharifthinktank.com

[78] www.itna.com

[79] Guided operators for a hipper-heuristic Genetic Algorithm www.cs.nott.ac.ukIT university of Nottingham