یک مدل ترکیبی برای پیشبینی گاز مصرفی، براساس شبکه رگرسیون عصبی تعمیم یافته و الگوریتم بهینه سازی مگس میوه
محل انتشار: اولین همایش ملی پژوهش های مهندسی رایانه
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 810
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RCEITT01_083
تاریخ نمایه سازی: 11 اردیبهشت 1394
چکیده مقاله:
پیشبینی درست گاز مصرفی سالانه، میتواند یک راهنمای منطقی برای طرحهای سازنده گاز باشد. و همچنین برای پیشرفتهای بیشتر صنعت گاز مهم است. از آنجایی که منحنی گاز مصرفی سالانه یک حالت غیر خطی را نشان میدهد، پیشبینی گاز مصرفی سالانه یک مشکل غیر خطی است. در این مقاله، از مدل شبکه رگرسیون عصبی تعمیمیافتهGRNN برای پیشبینی گاز مصرفی سالانه استفاده شده است. که نکته کلیدی در آن، تعیین پارامترهای گسترده مناسب، برای استفاده ازGRNNجهت پیشبینی گاز مصرفی سالانه است. در این مقاله، یک روش ترکیبی از الگوریتم بهینهسازی مگس میوهGRNN و FOA برای حل این مشکل پیشنهاد شده است. به طوری کهFOAبرای انتخاب اتوماتیک ارزش پارامترهای گسترده، برای پیشبینی گاز مصرفی، در مدلGRNNمورد استفاده قرار گرفته است. اثرات این روش ترکیبی توسط یک آزمون که نشان داد مدل ترکیبی پیشنهادی از مدلGRNNبا پارامترهای قراردادی، مدلPSOGRNNمدلSALSSVMو مدل OLS-LR برای پیشبینی گاز مصرفی سالانه بهتر عمل میکند، به اثبات رسید. نتایج آزمایشات بر روی دادههای دنیای واقعی، نشان دهنده برتری روش پیشنهادی نسبت به سایر روشهای مطرح است
کلیدواژه ها:
پیشبینی گاز سالانه ، شبکه عصبی رگرسیون تعمیمیافتهGRNN ، الگوریتم بهینهسازی مگس میوه FOA ، مشکل بهینهسازی ، انتخاب پارامتر
نویسندگان
جواد حمیدزاده
استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی سجاد، مشهد، ایران
سارا روشنی
دانشجوی کارشناسی ارشد مهندسی کامپیوتر نرم افزار، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد فردوس، فردوس،ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :