طراحي يك سيستم فازي-عصبي خود سازمانده با قابليت يادگيري برخط در پيش بيني بلند مدت بارش فصلي باران در شهر مشهد

در اين مقاله يك سيستم فازي- عصبي خود سازمنده با قابليت يادگيري بر خط (OSO-NFS) براي پيش بيني بلند مدت بارش فصلي باران در شهر ارائه شده است. ابتدا در اين سيستم هيچ نودي در لايه ي پنهان وجود ندارد و در طي فرايند آموزش چنانچه معيارهاي توليد قوانين ارضاء شونده نرون RBF به لايه ي پنهان اضافه مي شود. پارامترهاي قانون جديد به فرم تاكاگي-سوگنو با استفاده از الگوريتم آموزش RLS براي قابليت يادگيري خط و افزايش سرعت همگرايي، تخمين زده مي شوند. بعد از فرايند ايجاد قانون جديد، كارايي سيستم محاسبه شده و قوانيني كه تاثير كمتري در كارايي سيستم دارند هرس مي شوند، ويژگي هاي اصلي اين مقاله عبارت است از: 1) استفاده معيار جديد درجهي تطبيق و معيار متداول فاصله در فاز رشد قوانين 2) ارائه يك الگوريتم هرس جديد بر اساس چگالي كه چگالي تعداد دفعاتي است كه يك قانون آتش مي شود، هر بار كه يك الگو توسط يك قانون پوشش داده مي شود به چگالي آن قانون يك واحد اضافه مي گردد در پايان قانوني كه كمترين چگالي را داشته باشد از بين قوانين هرس مي شود 3) تركيب توابع عضويت مشابه و تغيير عرض آنها به منظور افزايش كارايي سيستم 4) ايجاد قوانين فازي بدون استفاده از الگوريتم پس از انتشار خطا. نتايج شبيه سازي با بررسي عملكرد سيستم بر روي داده هاي سري زماني بارش باران و مقايسه با دوروش GEBF-OSFNN و ANFIS حاكي از دقت و كارايي بالاتر روش پيشنهادي در پيش بيني باران و ساختار فشرده تر الگوريتم پيشنهادي نسبت به دو روش ديگر است