كليدواژه :
باد گاستي و انتخاب ويژگي , اطلاعات متقابل , جستجوي پي‌درپي پيشرو شناور , شبكه عصبي پرسپترون چندلايه , ايستگاه خودكار فرودگاهي
چكيده فارسي :
در اين مقاله ابتدا با بررسي هواي حاضر گزارش‌هاي متار، بازه زماني بيشترين وقوع ناپايداري ايجادكننده باد گاستي (جستي) شناسايي شد. سپس با استانداردسازي داده‌ها به بازه 0.1 تا 0.9، ويژگي‌هاي مرتبط با جهت و سرعت باد جستي انتخاب شد. روش‌هاي انتخاب ويژگي در اين پژوهش، اطلاعات متقابل و جستجوي پي‌درپي پيشرو شناور با الگوريتم طبقه‌بندي k نزديك‌ترين همسايگان هستند. ويژگي‌هاي انتخابي براي پيش‌بيني سرعت باد با روش اول، متغيرهاي سرعت باد لحظه‌اي شامل كمينه، ميانگين و بيشينه سرعت باد در دو دقيقه و ميانگين و بيشينه سرعت باد در ده دقيقه در همان باند هستند. ويژگي‌هاي انتخابي براي جهت باد با روش اول، متغيرهاي جهت باد لحظه‌اي يعني كمينه، ميانگين و بيشينه جهت باد در دو دقيقه و كمينه، ميانگين و بيشينه جهت باد در ده دقيقه در همان باند هستند. ويژگي‌هاي انتخابي با روش دوم براي سرعت باد شامل انحراف جهت باد در ده دقيقه گذشته در باند مياني و فشار لحظه‌اي در هر سه باند است. انحراف جهت باد در ده دقيقه گذشته در باند 11، در باندهاي 29 و مياني مشترك هستند. ويژگي چهارم در باندهاي 29 و مياني، متغير بيشينه سرعت باد در ده دقيقه مربوط به همان باند است. در باند 11 علاوه‌بر ويژگي‌هاي مشترك، متغيرهاي بيشينه سرعت باد در ده دقيقه در باند 11 و انحراف جهت باد در ده دقيقه گذشته در باند 29 ديده مي‌شود. ويژگي‌هاي انتخابي براي جهت باد از تنوع بيشتري برخوردار هستند.در مرحله نهايي، ويژگي‌هاي انتخابي به شبكه عصبي پرسپترون چندلايه در حالت‌هاي مختلف داده شد. نتايج خروجي مدل براي پيش‌بيني جهت و سرعت باد جستي مقايسه و بهترين مدل براي پيش‌بيني سرعت باد جستي، شبكه با همبندي 1-2-4-4، نرخ يادگيري 0.1 و آستانه آغازين 0.5 براي وزن هر نرون انتخاب شد. براي جهت باد، شبكه با همبندي 1-3-6-6، نرخ يادگيري 0.1 و آستانه آغازين 0.5 مناسب است. عملكرد شبكه عصبي پرسپترون چندلايهاي در پيش‌بيني سرعت باد بهتر است.
چكيده لاتين :
In this paper, in the first step, the present weather of METAR reports of the year 2013 in Mehrabad synoptic
station was studied and the period with most occurrences of the instability producing the Gusty wind was
identified. This period is from January to June of every year. Then, all data of selected period, except the data of
Gusty wind direction and speed, were normalized to interval 0.1–0.9. The considered data for training, testing and
validation were 60%, 20% and 20%, respectively. The related features of Gusty wind direction and speed were
selected from 58 features recorded by 3 sensors located on the runway. The Mehrabad runway direction is from
the east to the west with 4000 meters long and 45 meters wide. The sensor No. 29 was on the east end of band, the
sensor No. 11 was on the west edge of the band, and location of the mid sensor was on the middle of band which
its distance from the band is 600 meters to the north direction.
The feature selection methods in this study are mutual information (MI) with the Maximum-Relevance
Minimum-Redundancy criterion (filter type) and Sequential Floating Forward Selection (SFFS) (wrapper type)
with the k Nearest Neighbors (kNN) algorithm. Selected features for Gusty wind speed at each band are the
maximum and mean wind speed in 2 and 10 minutes, and the momentary wind speed by the MI method. The
selected feature by SFFS method is the wind direction deviation in past 10 minutes on band No. 11 and mid band,
momentary pressure on mid band and maximum wind speed in 10 minutes on band No. 29. For Gusty wind
direction by first method, the selected features are minimum, mean and maximum wind direction in 2 minutes,
minimum and mean wind direction in 10 minutes and momentary wind direction on band No. 29. Selected
features with second method are the wind direction deviations in past 10 minutes on the band No. 29 and mid
band, and the mean sea level pressure and mean wind direction in 10 minutes on band No. 29.
In the final step, these selected features were used as inputs of the multilayer perceptron neural network in
different modes such as: layer number, neuron number, learning rate and threshold value for weight of neuron.
The model output results were compared to predict the Gusty wind direction and speed and the best model was
selected. The results show that to predict the wind speed, the best model is a multilayer perceptron neural network
with four layers: input layer with 4 neurons, two hidden layers with 4 neurons in the first layer and 2 neurons in
the second layer and 1 neuron in the output layer; learning rate of 0.1 and initial weight neurons of 0.5. For
predicting the wind direction, the best model has four layers, 6 neurons in the first and second layers and 3
neurons at the third layer and one neuron at the fourth layer with the same learning rate and initial threshold. The
MLP performance is better in predicting the Gusty wind speed
