| تاریخ ارسال: 1400/12/18 |
دانشجو: خانم معصومه لقمانی
استاد راهنما: دکتر جمشید شنبه زاده
زمان: دوشنبه ۲۳ اسفند ماه ۱۴۰۰ ساعت: ۱۷:۰۰
لینک ورود به جلسه
استاد راهنما: دکتر جمشید شنبه زاده
زمان: دوشنبه ۲۳ اسفند ماه ۱۴۰۰ ساعت: ۱۷:۰۰
لینک ورود به جلسه
چکیده:
فرآیند پیش بینی دما در بهبود زندگی انسان بسیار موثر است، اما با توجه به افزایش حجم داده های هواشناسی، هزینه های محاسباتی زیاد روش های عددی و روابط غیرخطی پیچیده پارامترهای هواشناسی که تعامل با این داده ها را مشکل می سازد، مدل های یادگیری ژرف در پیش بینی هوا مورد توجه قرار گرفتند. ارائه ی یک مدل شبکه عصبی عمیق که بتواند ویژگی های سطح بالا را از داده ها استخراج کند و پیش بینی را با دقت و پنجره پیش بینی مناسب انجام دهد مسئله ایست که امروزه بسیار مورد توجه قرار گرفته است. به این منظور در این پژوهش یک مدل ترکیبی جدید از شبکه های کانولوشن یک بعدی و شبکه حافظه کوتاه مدت طولانی با مکانیزم توجه پیشنهاد شده است. در این مدل استفاده از ردیف های موازی کانولوشن با استخراج ویژگی های سطح بالای داده ها و اعمال مکانیزم توجه در ساختمان داخلی شبکه حافظه کوتاه مدت طولانی، باعث افزایش دقت و پنجره پیش بینی شده است.
فرآیند پیش بینی دما در بهبود زندگی انسان بسیار موثر است، اما با توجه به افزایش حجم داده های هواشناسی، هزینه های محاسباتی زیاد روش های عددی و روابط غیرخطی پیچیده پارامترهای هواشناسی که تعامل با این داده ها را مشکل می سازد، مدل های یادگیری ژرف در پیش بینی هوا مورد توجه قرار گرفتند. ارائه ی یک مدل شبکه عصبی عمیق که بتواند ویژگی های سطح بالا را از داده ها استخراج کند و پیش بینی را با دقت و پنجره پیش بینی مناسب انجام دهد مسئله ایست که امروزه بسیار مورد توجه قرار گرفته است. به این منظور در این پژوهش یک مدل ترکیبی جدید از شبکه های کانولوشن یک بعدی و شبکه حافظه کوتاه مدت طولانی با مکانیزم توجه پیشنهاد شده است. در این مدل استفاده از ردیف های موازی کانولوشن با استخراج ویژگی های سطح بالای داده ها و اعمال مکانیزم توجه در ساختمان داخلی شبکه حافظه کوتاه مدت طولانی، باعث افزایش دقت و پنجره پیش بینی شده است.
مطالب مشابه
دفعات مشاهده: 582 بار |
دفعات چاپ: 99 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر