كاربست تحليل مولفه اصلي براي داده‌هاي هواشناختي در انتخاب ورودي شبكه عصبي مصنوعي

Application of principal component analysis to meteorological data in ANN input selection

«انتخاب ورودي» صحيح، هوشمند و متناسب با هدف به‌كمك روش مناسب، اولين گام در طراحي شبكه عصبي مصنوعي (Artificial Neural Network) با نماد ANN به‌منظور پيش‌بيني است. دو رهيافت به‌منظور انتخاب داده‌هاي ورودي مناسب وجود دارد؛ در رهيافت اول سري زماني پراسنج (پارامتر) موردنظر، يعني هدف ANN، در سال‌هاي گذشته و در رهيافت دوم پراسنج‌هايي كه با هدف رابطه خطي يا غيرخطي دارند، مورد استفاده قرار مي‌گيرند. در اثناي فرايند انتخاب ورودي برمبناي رهيافت دوم، به علت حجم زياد داده‌ ورودي، خطاهاي اندازه‌گيري، حضور داده‌هاي غيرمعمول و همبستگي بين متغيرهاي ورودي، خطا افزايش و دقت پيش‌بيني كاهش مي‌يابد. در اكثر موارد به علت فقدان اطلاعات دقيق مربوط به جزييات داده‌ به‌ناچار از روش سعي و خطا براي انتخاب تركيب مناسبي از داده‌هاي ورودي و حذف داده‌هاي غيرمعمول استفاده مي‌شود. در پژوهش حاضر، به‌منظور اجتناب از كاربرد روش سعي و خطا از تحليل مولفه اصلي براي تعيين اطلاعات دقيق مربوط به جزييات داده استفاده شده است. تحليل مولفه اصلي توانايي‌هاي متعددي از جمله؛ كاهش ابعاد داده، استخراج مُدهاي تغييرپذيري متغيرهاي ورودي، از بين بردن همبستگي بين داده‌هاي خام و حذف داده‌هاي غيرمعمول دارد. در پژوهش حاضر، پراسنج‌هاي هواشناختي مرتبط با دما، به‌منظور تعيين داده‌هاي ورودي مناسب براي پيش‌بيني ميانگين دماي روزانه سال 2009 در ايستگاه همديدي شهرستان يزد در يك دوره آماري 29 ساله (1980 تا 2008) مورد بررسي قرار گرفته‌اند. سپس با كاربست تحليل مولفه‌ اصلي، ضمن حذف همبستگي بين متغيرهاي ورودي، داده‌هاي غيرمعمول شناسايي و حذف مي‌شوند. درنهايت با بررسي مدهاي تغييرپذيري هريك از پراسنج‌ها و مقايسه آنها با هدف ANN، داده‌هاي ورودي مناسب انتخاب مي‌شود. نتايج نشان مي‌دهد كه با استفاده از توانايي‌هاي متعدد تحليل مولفه اصلي مي‌توان انتخاب ورودي صحيح، هوشمند و متناسب با هدف ANN را بدون استفاده از روش سعي و خطا عملي ساخت.