:: با کلیک بر روی پرداخت آنلاین، به صفحه پرداخت هدایت خواهید شد و بعد از پرداخت از طریق کارت های اعتباری بانکی ، لینک دانلود فعال شده و می توانید فایل مورد نظر خود را دانلود کنید.
::
توضیحات بیشتر در مورد پروژه پیش بینی دما با استفاده از روش های هوشمند :

پروژه پیش بینی دما با استفاده از روش های هوشمند

index

چکیده

پیش بینی یا پیشگویی در دنیای کنونی جز لاینکف زندگی بشر محسوب می شوند، پیش بینی دما به علت اهمیت آن در صنعت بیمه، کشاورزی، خشکسالی و… اهمیت فوق العاده ای در پیش بینی های هواشناسی دارد.

بنابراین در ابتدا در رابطه با اهمیت دما و عوامل موثر بر آن مطالبی ارائه می کنیم. طبق بررسی های به عمل آمده از آنجا که دو روش منطق فازی و الگوریتم ژنتیک از روشهای مطرح شده با دقت پیش بینی بالا هستند در یک فصل به دو مبحث منطق فازی و ریاضیات فازی اشاره می شود و در فصلی دیگر توضیحی اجمالی از الگوریتم ژنتیک خواهیم داشت.

در نهایت مقالات معتبر علمی مرتبط با پیش بینی دما ارائه شده اند که حاوی انجام آزمایشات و مشاهداتی هستندکه توسط دو روش الگوریتم ژنتیک ومنطق فازی پیش بینی می شوند.

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 ۱۳۵ 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 می‌توان آنها را در دو گروه روش های کلاسیک و اکتشافی مدرن طبقه بندی کرد روشهای کلاسیک بر پایه ی احتمالات و مدل ریاضی عمل می‌کنند 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 می‌گردد. 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.

فهرست مطالب

 

عنوان
مقدمه
فصل یکم –  منطق فازی و ریاضیات فازی
۱-۱- منطق فازی

۱-۱-۱-تاریخچه مختصری از منطق فازی

۱-۱-۲-  آشنایی با منطق فازی

۱-۱-۳-  سیستم های فازی

۱-۱-۴-  نتیجه گیری
۱-۲-  ریاضیات فازی
۱-۲-۱- مجموعه های فازی
۱-۲-۲- مفاهیم مجموعه های فازی
۱-۲-۳- عملیات روی مجموعه های فازی
۱-۲-۴- انطباق مجموعه های فازی
۱-۲-۵- معیار های امکان و ضرورت
۱-۲-۶- روابط فازی
۱-۲-۶-۱- رابطه ی هم ارزی فازی
۱-۲-۶-۲- ترکیب روابط فازی
۱-۲-۷- منطق فازی
۱-۲-۷-۱- عملیات منطقی و مقادیر درستی فازی
۱-۲-۷-۲- کاربرد مقادیر درستی فازی

۱-۲-۸- نتیجه گیری

فصل دوم-  الگوریتم ژنتیک

۲-۱-  چکیده

۲-۲- مقدمه
۲-۳- الگوریتم ژنتیک چیست؟
۲-۴-  ایده اصلی الگوریتم ژنتیک
۲-۵-  الگوریتم ژنتیک
۲-۶- سود و کد الگوریتم
۲-۷- روش های نمایش
۲-۸- روش های انتخاب
۲-۹-  روش های تغییر
۲-۱۰-  نقاط قوت الگوریتم های ژنتیک
۲-۱۱-  محدودیت های GA ها
۲-۱۲-  چند نمونه از کاربردهای الگوریتم های ژنتیک
۲-۱۳- نسل اول
۲-۱۴-  نسل بعدی
۲-۱۴-۱- انتخاب
۲-۱۴-۲- تغییر از یک نسل به نسل بعدی(crossover)
۲-۱۴-۳- جهش (mutation)
۲-۱۵- هایپر هیوریستیک
فصل سوم-  بررسی مقالات
۳-۱- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه  برای پیش بینی یخبندان
۳-۱-۱- چکیده
۳-۱-۲- مقدمه
۳-۱-۳- روش شناسی
۳-۱-۳-۱- مجموعه اصطلاحات
۳-۱-۳-۲-نگاه کلی
۳-۱-۳-۳-  یادگیری
۳-۱-۳-۴- تولید پارامتر های ساختاری
۳-۱-۳-۵- پیش بینی
۳-۱-۳-۶- متناسب سازی ضعیف، متوسط و دقیق
۳-۱-۴- نتایج
۳-۱-۴-۱- واقعه ی یخبندان شپارتون
۳-۱-۴-۲- بحث
۳-۱-۵- نتیجه گیری
۳-۲- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک
۳-۲-۱-  چکیده
۳-۲-۲- مقدمه
۳-۲-۳- سری های زمانی فازی و روابط منطق فازی
۳-۲-۴- مفاهیم اساسی و الگوریتم های ژنتیک
۳-۲-۵- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک
۳-۲-۶- نتیجه گیری
۳-۳-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده
۳-۳-۱- چکیده
۳-۳-۲- مقدمه
۳-۳-۳- داده و روش بررسی
۳-۳-۴- نتایج
۳-۳-۵- نتیجه گیری
 

فهرست شکلها

 

عنوان
شکل ۱-۱-۱- طرز کار سیستم فازی
شکل ۱-۲-۱- نمودار توابع فازی s، ذوزنقهای و گاما
شکل ۱-۲-۲- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت
شکل ۱-۲-۳- برخی از عملگر های پیشنهاد شده برای اشتراک
شکل۱-۲-۴- برخی از عملگر های پیشنهاد شده برای اجتماع
شکل ۱-۲-۵- انطباق دو مجموعه فازی
شکل ۱-۲-۶- نمایش معیار های امکان و ضرورت
شکل ۱-۲-۷- مقادیر درستی فازی
شکل ۲-۱- منحنی
شکل ۲-۲- تاثیر الگوریتم ژنتیک بر کروموزوم های ۸ بیتی
شکل۳-۱-۱-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند
شکل ۳-۱-۲- مشاهدات هواشناسی به صف شده
شکل ۳-۱-۳- دیاگرام درختی
شکل ۳-۱-۴- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا
شکل ۳-۱-۵- هیستوگرام خطا های پیش بینی
شکل۳-۱-۶- خطای میانه ماهیانه
شکل ۳-۱-۷-خطای درصدی میانه ماهیانه
شکل ۳-۱-۸-تراکم پیش بینی
شکل ۳-۱-۹- ترسیم توزیعی دمای هوای مشاهده شده در مقابل ۱ ساعت پیش بینی دمای هوا
شکل۳-۱-۱۰- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا
شکل ۳-۲-۱- یک کروموزوم
شکل ۳-۲-۲- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل۳-۲-۱
شکل ۳-۲-۳- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل۳-۲-۱
شکل ۳-۲-۴- عملیاتcrossover دو کروموزوم
شکل۳-۲-۵- عملیات جهش یک کروموزوم
شکل ۳-۲-۶- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن ۱۹۹۶
شکل ۳-۲-۷- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم
شکل ۳-۲-۸- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم
شکل ۳-۳-۱-پیکر بندی شبکه های عصبی منطقی فازی
شکل ۳-۳-۲-  مقادیر مشاهده و پیش بینی شده ی ولف نو
شکل ۳-۳-۳- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان

فهرست جدولها

 

عنوان
جدول۱-۲-۱- برخی از مفاهیم پایه ی مجموعه های فازی
جدول۳-۱-۱- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه
جدول۳-۲-۱- داده های پیشین میانگین دمای روزانه از ۱ ام ژوئن ۱۹۹۶ تا ۳۰ ام سپتامبر در تایوان
جدول۳-۲-۲- داده های قدیمی تراکم ابر های روزانه از ۱ ام ژوئن ۱۹۹۶ تا ۳۰ ام سپتامبر در تایوان
جدول۳-۲-۳- جمعیت ابتدایی
جدول۳-۲-۴-  میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از ۱ ام ژوئن تا۳۰ام سپتامبر در تایوان بر اساس نخستین کروموزوم
جدول۳-۲-۵- دو فاکتور مرتبه سوم روابط گروهی منطق فازی
جدول۳-۲-۶- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم
جدول۳-۲-۷- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی
جدول۳-۲-۸- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی
جدول۳-۲-۹- داده های قدیمیTAIFEXو TAIEX
جدول۳-۲-۱۰- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی
جدول۳-۲-۱۱- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی
 
 

پروژه پیش بینی دما با استفاده از روش های هوشمند

قیمت : 8000 تومان

[ بلافاصله بعد از پرداخت لینک دانلود فعال می شود ]
  • Facebook |
  • Twitter |
  • Delicious |
  • Email
  • :این مطلب را به اشتراک بگذارید یا به دوستان تان پیشنهاد دهید
بروز رسانی : سه شنبه, ۳۰ شهریور ۱۴۰۰
راهنمایی خرید

آمارگیر وبلاگ

© Copyright powerpoint24.ir 2009-2022