به‌شکل جدی و تأثیرگذار در سال ۱۹۸۶ توسط رومل هارت۲۵و مک‌کلند۲۶ به جهان معرفی شد ماهیت و ذات تجربی این مدل باعث می‌شود تا در مسائلی مانند مقوله‌ی پیشبینی به خوبی قابل استفاده باشد(شریفی وهمکاران ۱۳۸۴).
شبکههای عصبی مصنوعی در واقع، مدل ساده شده‌ای از مغز انسان است. هر شبکه‌ی عصبی در واقع یک ساختار ریاضی غیرخطی است که توانایی نشان‌دادن فرآیندها و ترکیبات دلخواه غیرخطی جهت ارتباط بین ورودی و خروجی‌های هرسیستمی را دارا است. این شبکه با داده‌های موجود طی فرآیند یادگیری، آموزش داده می‌شود و جهت پیشبینی در آینده مورد استفاده قرار می‌گیرد.
دیدگاه جدید شبکه‌های عصبی در دهه‌ی ۴۰ قرن بیستم با کار والترپیتز۲۷ و مککلوک۲۸آغاز شد، آن‌ها نشان دادند که شبکه‌ی عصبی می‌تواند هر تابع حسابی و منطقی را محاسبه نمایند و دونالد هب۲۹، عمل شرطگذاری کلاسیک را به خواص نرون‌ها۳۰ معرفی کرد و سپس مکانیزمی را جهت یادگیری نرون‌های بیولوژیکی ارائه داد.
نخستین کاربرد عملی شبکه‌های عصبی در سال ۱۹۸۵ توسط روزن بلات با معرفی شبکه‌ی پرسپترون۳۱ارائه گردید. این شبکه قادر بود الگوهایی را از هم شناسایی کند و قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل کند، لذا باور به آن است که با انتخاب پارامترهای نسبتاً مستقل از هر حوزه آبخیز به عنوان متغیرهای ورودی، یک مدل عمومیتیافته حاصل می‌شود.

بدین طریق شبکه عصبی مصنوعی آموزش یافته، بیش‌ترین وزن را به متغیری خواهد داد که بیش‌ترین تأثیر را در خروجی مدل داشته باشد (منهاج، ۱۳۸۹).
هر چند شبکههای عصبی مصنوعی با مدل واقعی مغز فاصله زیادی دارند، اما توانایی این شبکه‌ها در کشف روابط غیر خطی میان داده‌های ورودی و استخراج مدل دینامیک غیرخطی حاکم بر دادهها، قابل ملاحظه بوده و در مقایسه با مدل‌های مرسوم، این مدل‌ها به ورودی‌های کمتر و تلاش محاسباتی اندکی نیاز دارند.
روش شبکه عصبی مصنوعی از توزیع آماری داده‌ها، مستقل است و به متغیرهای آماری مخصوصی نیاز ندارند. علاوه بر آن شبکه عصبی مصنوعی برای آنالیز صحت داده‌ها به بررسی کمتری در قیاس با روش‌‌های آماری نیاز دارد. بنابراین شبکه عصبی مصنوعی می‌تواند مدل بهتری را با توجه به منابع داده‌های موجود ارائه دهد (منهاج، ۱۳۸۹).
دریک شبکه عصبی مصنوعی، نرون به‌عنوان کوچک‌ترین واحد پردازشگر داده‌ها است. ساختار هر نرون مصنوعی، ورودی‌ها، مقدار آستانه و خروجی‌ها را تشکیل می‌دهد. شبکه‌های عصبی مصنوعی از جمله مدل‌های شبیهسازی است که می‌تواند با دقتی در خور توجه، واقعیت‌های موجود را به‌تصویر بکشد و راهکار مناسبی جهت برآورد و مدل‌سازی باشد. اجرای روش شبکه عصبی مصنوعی شامل سه بخش است. اولین بخش، تعداد لایه‌های ورودی و خروجی است که تعداد این عوامل ورودی و خروجی با توجه به شرایط حاکم بر مسأله و بانک اطلاعاتی موجود عوامل مؤثر تعیین می‌شوند. دومین بخش آن، تعیین تعداد لایههای پنهان است. لایههای پنهان، نقش عمده‌ای در قدرت شبکه دارند و سومین بخش شبکه عصبی مصنوعی، آموزش و آزمایش است. در فرآیند آموزش در شبکه عصبی مصنوعی، تنظیم وزن پارامترهای ورودی به شبکه ارائه می‌شود. مقادیر خروجی، محاسبه شده و با مقادیر هدف مقایسه شده و با توجه به مقدار خطا، وزن‌ها اصلاح می‌شوند. پس از پایان این مرحله، مقادیر وزن‌ها ذخیره شده و شبکه برای بخش دیگری از داده‌ها که در مرحله آموزش استفاده نشده‌اند، آزمایش می‌شود (منهاج، ۱۳۸۹).
در این پژوهش، داده‌های بارش سالانه ایستگاه‌های استان اصفهان طی بازه زمانی سال‌های ۱۳۹۰-۱۳۷۵ که از واحد ثبت آمار سازمان وزارت نیرو و هواشناسی اخذ گردیده، مورد استفاده قرار گرفته است. در عین حال، از شبکه عصبی مصنوعی به‌عنوان ابزاری نیرومند جهت پیشبینی مقادیر بارش طی زمان بهره گرفته شده است. تکنیک شبکه ‌های عصبی مصنوعی در این پژوهش شامل دو مرحله است: ۱) مرحله آموزش و ۲) مرحله تست (آزمون).
در این پژوهش، ۸۰ درصد داده‌ها (۴۹۵ داده) برای آموزش و ۲۰ درصد داده‌ها (۱۲۰) برای تست (آزمون) و اعتبارسنجی در نظر گرفته شد. این که چه درصدی از داده‌ها برای آموزش شبکه کافی است و آیا حد آستانهای وجود دارد که با دادههای کمتر از آن شبکه کارآمد نباشد؛ به پیچیدگی مسأله و کیفیت داده‌ها بستگی دارد. میزان خطا در طول آموزش شبکه نیز به تعداد مثال‌های به‌کار رفته برای آموزش شبکه وابسته است. اگر تعداد الگوها و یا تعداد نرونهای لایه میانی کم باشد، شبکه نمی‌تواند ارتباط موجود بین ورودی‌ها و خروجی‌ها را به درستی فرا گیرد. علاوه بر آن، اگر تعداد نرونهای لایه‌ی میانی از حد لازم بیشتر باشد؛ شبکه شروع به حفظ کردن الگوها می‌کند؛ به‌طوری که در مرحله آموزش خوب ولی برای دادههای آزمون ضعیف عمل نموده و قابلیت تعمیمپذیری ندارد (دزفولیان، ۱۳۹۰). به‌طور کلی در اغلب پژوهش‌ها از ۷۰، ۷۵ و ۸۰ درصد دادهها برای آموزش شبکه استفاده شده است و مابقی داده‌ها جهت آزمون و اعتبارسنجی مدل شبکه به‌کار گرفته شده‌اند. در مرحله آموزش، شبکههای عصبی به‌کمک دادههای بارش سالانه، ارتباط بین نرخ بارش با گذشت زمان را فرا می‌گیرد. به بیانی دیگر شبکه می‌آموزد که مقادیر بارش در زمان‌های مختلف، چه رفتاری از خود نشان می‌دهد. در این پژوهش، بارندگی سالانه ایستگاه‌های کامل به‌عنوان پارامتر ورودی و مقادیر بارش ایستگاه‌ه
ای ناقص، به‌عنوان خروجی به شبکه داده شد. در مرحله تست و آزمون، مقادیر خروجی با مقادیر ایستگاه‌های کامل مقایسه گردید و همبستگی بین آن‌ها محاسبه شد و این مرحله آنقدر تکرار شد تا این که میزان همبستگی به بالای ۹۰ درصد به دست آید. ساختار شبکه عصبی مصنوعی، یک شبیهسازی از دستگاه عصبی طبیعی است و شامل مجموعهای از واحدهای عصبی به نام نرون است که توسط ارتباطاتی موسوم به آکسون به‌هم متصل شده‌اند. الگوریتم‌های زیادی برای آموزش شبکه وجود دارد که در میان آن‌ها، غالباً از انتشار رو به عقب استفاده می‌شود. هدف از آموزش شبکه، یادگیری رفتار بارش توسط شبکه برای برآورد مقادیر پیشبینی شده است. این الگوریتم به طور مستقل توسط چندین پژوهش‌گر از جمله (پارکر، ۱۹۸۲)۳۲ و (وربوس، ۱۹۷۴)۳۳ بسط و گسترش یافت. روش آموزش آن شهودی و مبتنی بر درک و انتقال مستقیم است و وزن‌ها را طوری تنظیم می‌کند که میزان خطا به حداقل خود برسد. لایهها، کاملاً با همدیگر ارتباط دارند و نرون‌ها، داده‌های ورودی را از لایه‌‌ی ورودی می‌گیرند.

۳-۳-۲- شبکه عصبی مصنوعی با ساختار پروسپترون چند لایه
شبکه عصبی مصنوعی با ساختار پروسپترون چند لایه به طور کلی از سه لایه و هر لایه از تعدادی واحد پردازش به‌نام نرون (سلول، واحد و یا گره) تشکیل شده است. اولین لایه هر شبکه را لایه ورودی می‌گویند که در این لایه، ‌بردارهای دادههای ورودی مورد نظر قرار می‌گیرد. لایه آخر هر شبکه به لایه خروجی معروف بوده که در این لایه، بردارهای خروجی استقرار می‌یابند. هم‌چنین هر پروسپترون از تعدادی لایه میانی که لایههای پنهان نامیده می‌شوند، تشکیل شده است. تعداد این لایه‌ها و همچنین تعداد نرون‌ها در هر لایه توسط طراح و طی فرآیند آزمون و خطا پیدا می‌شود. به‌طور معمول، نرون‌های هر لایه به کلیه نرونهای لایه مجاور از طریق یک رابطه جهتدار مرتبط هستند. اطلاعات بین نرون‌ها از طریق این اتصالات منتقل می‌شوند. هر یک از این اتصالات، دارای وزن‌های مختص به خود هستند که در اطلاعات انتقال یافته از یک نرون به نرون دیگر ضرب می‌گردد. هر نرون برای محاسبه خروجی اتصالات رسیده به خود از یک تابع آستانه (فعالسازی) استفاده می‌کند. توابع فعالسازی، دارای انواع مختلفی نظیر توابع باینری، سیگموئیدی، تانژانت هیپربولیک، خطی و گوسی هستند. آنچه به‌عنوان آموزش در شبکههای عصبی عنوان می‌شود، چیزی جزء محاسبه وزن اتصالات مختلف آن نیست. برای آموزش یک شبکه از تعدادی الگوی آموزشی که هر الگو شامل یک بردار ورودی و یک بردار خروجی متناظر با آن است، استفاده می‌شود. تعداد نرون‌های لایه‌های ورودی و خروجی به ترتیب برابر با تعداد بردارهای ورودی و خروجی است.
از آن‌جایی که رابطه خاص برای محاسبه تعداد لایه‌های پنهان و نرون‌های مربوطه وجود ندارد، به‌همین جهت چاره‌ای جزء امتحان ساختارهای مختلف نیست. درآموزش شبکه، وزن‌های اتصالات شبکه به گونه‌ای محاسبه می‌شود که با اعمال هر بردار ورودی از الگوی آموزشی، شبکه بتواند خروجی متناظر با آن را با میزان خطای مشخص که توسط طراح مشخص می‌گردد، تولید کند. آنچه در آموزش شبکه مهم است، این است که شبکه قادر باشد به ازای یک بردار ورودی که آموزش ندیده است، خروجی مرتبط با آن را ارائه کند. شبکه‌های عصبی مصنوعی عموماً از قدرت برون‌یابی خوبی برخوردار نیستند، به این دلیل در انتخاب الگوهای آموزشی باید این نکته مد نظر قرار گیرد. به همین جهت قبل از شروع‌ کار با شبکه عصبی مصنوعی، الگوها به دو سری الگوی آموزشی و الگوی امتحانی تقسیم می‌شود. سری‌های آموزشی باید تا حد امکان، کل فضای داده‌ها را پوشش دهد. بدیهی است که تعداد بیشتر الگوهای آموزشی، قابلیت تعمیم شبکه را بالا می‌برد .اگر چه آموزش فرآیندی است که در یک زمان طولانی انجام می‌پذیرد، ولی پس از تعمیم، به‌سرعت قادر است به ازای هر ورودی، خروجی متناظر با آن را ارائه نمایند. در شکل ۳-۳، شماتیکی از شبکه پروسپترون چند لایه نمایش داده شده است.

شکل (۳-۳): شماتیکی از شبکه پرسپترون چند لایه

۳-۴- زمینآمار
در بررسی‌های آمار کلاسیک، نمونه‌های به دست آمده ازجامعه، عمدتاً به‌صورت تصادفی درنظر گرفته می‌شوند و مقدار اندازه‌گیری شده یک کمیت معین در یک نمونه خاص، هیچ‌گونه اطلاعاتی درباره مقدار همان کمیت در نمونه دیگر و به فاصله معلوم نخواهد داشت. در صورتی‌که در زمینآمار می‌توان بین مقادیر یک کمیت در جامعه نمونه‌ها و فاصله و جهت قرار گرفتن نمونه‌ها نسبت به هم ارتباط برقرار کرد. هم‌چنین در آمار کلاسیک، فرض می‌شود که تغییرپذیری یک متغیر، تصادفی است. در صورتی‌که در زمینآمار، بخشی از آن تصادفی و بخش دیگر آن، دارای ساختار و تابع فاصله و جهت است. بنابراین در زمینآمار ابتدا به بررسی وجود یا عدم وجود ساختار مکانی بین داده‌ها پرداخته می‌شود و سپس در صورت وجود ساختار مکانی، تحلیل داده‌ها انجام می‌گیرد.
البته ممکن است نمونه‌های مجاور تا فاصله معینی در قالب ساختارمکانی به‌هم وابسته باشند، دراین حالت بدیهی است که میزان تشابه بین مقادیر مربوط به نمونه‌های نزدیک‌تر، احتمالاً بیشتر است؛ زیرا در صورت وجود ساختار مکانی، تغییرات ایجاد شده در یک فضای معین شانس بیشتری برای تأثیرگذاری روی فضاهای نزدیک به‌خود را نسبت به فضاهای دورتر از خود دارند (اسدی و همکاران، ۲۰۱۳).
زمینآمار، شاخه‌ای از ع
لم آمار است که مبتنی بر «تئوری متغیرهای ناحیه‌ای» است. هر متغیری که در فضای سه بعدی توزیع شده باشد و دارای وابستگی مکانی باشد، متغیر ناحیه‌ای نامیده شده و می‌تواند در مطالعات زمینآماری مورد بحث و بررسی قرار‌گیرد. به‌عنوان مثال، مقادیر ضریب آبگذاری در یک شبکه ۱×۱ کیلومتری، متغیر ناحیه‌ای است. مقدار متغیر ناحیه‌ای Z(x)در هر نقطه را می‌توان به دو مؤلفه قطعی و تصادفی تجزیه کرد، بنابراین می‌توان نوشت:
(۳- ۲) Z(x)= m(x)+ L(x)
که در آن:
Z(x) : متغیر ناحیه‌ای در نقطه‌ای به مختصات (x).
m(x) : مؤلفه قطعی متغیر ناحیه‌ای.
L(x): مؤلفه تصادفی متغیر ناحیه‌ای
در صورتی‌که متغیر ناحیه‌ای دارای ساختار مکانی مناسبی باشد، تحلیل‌های بسیاری را بر روی آن می‌توان به‌عمل آورد که از جمله آن‌ها می‌توان به برآورد متغیر مورد نظر در نقاط فاقد آمار، طراحی نمونه‌برداری و توزیع واریانس خطا اشاره نمود. تخمین زمینآماری شامل دو مرحله است: در مرحله اول شناخت و مدل‌سازی ساختار فضایی متغیر است که به‌وسیله آنالیز نیم تغییرنما قابل بررسی است. مرحله دوم، تخمین متغیر مورد نظر بوده که به مرحله اول وابسته است. ذکر این نکته ضروری است که شرط استفاده از روش‌های زمینآماری، ایستا بودن متغیر است که از طریق نیم تغییرنما، قابل تشخیص است. ضمناً توزیع داده‌ها نیز باید به توزیع نرمال نزدیک باشد (اسدی و همکاران، ۲۰۱۳).

۳-۴-۱- روش‌های میانیابی
روش‌های مختلفی برای برآورد متغیرهایی که تغییرات زمانی و مکانی دارند، وجود دارد. تفاوت عمده این روش‌ها، مربوط به نحوه محاسبه وزنی است که به نقاط مشاهده شده اطراف نقطه مجهول داده می‌شود. در اینجا فقط سه روش که کاربرد زیادی در مطالعات آب و خاک دارند، به عنوان نمونه معرفی می‌شود (اسدی و همکاران، ۲۰۱۳).

الف- روش میانگین متحرک وزنی
در روش میانگین متحرک وزنی به هر یک از ایستگاه‌ها، وزنی بر اساس فاصله بین هر ایستگاه تا موقعیت نقطه مجهول تخصیص می‌یابد. این اوزان، توسط توان وزن‌دهی کنترل می‌شود، به‌طوری که توان‌های بزرگ‌تر، اثر نقاط دورتر از نقطه مورد تخمین را کاهش می‌دهند و توان‌های کوچک‌تر، وزن‌ها را به‌طور یکنواخت‌تری بین نقاط همسایه توزیع می‌کنند. در این روش، مقدار فاکتور وزنی معادله (۳-۳) با استفاده از رابطه ۳-۲ محاسبه می‌گردد:
(۳-۳)
که در آن:
: وزن ایستگاه i ام، Dj: فاصله ایستگاه jام تا

متن کامل در سایت سبز فایل


دیدگاهتان را بنویسید