واکاوی کارایی روش های مبتنی بر شبکه های عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کشند

پیش بینی تغییرات کشند، ب هدلیل اهمیتی که در برنام هریزی های ناوگان دریایی و نظامی، حمل و نقل و کشتیرانی،طراحی بنادر و سایر مسایل مرتبط با امور دریا دارد؛ از دیرباز مورد توجه بوده است. هدف این مطالعه بررسیعملکرد مدل های شبک ههای عصبی پیش خور با 3 الگوریتم یادگیری کاهش شیب، شیب مزدوج و لونبرگ- مارکوارددر پیش بینی ساعتی تغییرات کشند است. به علاوه در تحقیق حاضر، نتایج حاصل از مدل رگرسیون خطی چندمتغیرهنیز مد نظر قرار گرفته است. برای این منظور داده های ساعتی مشاهداتی ایستگاه ساحلی خلیج چابهار در دریای عمانو ایستگاه های جزیره کیش و بندر امام خمینی(ره) در سواحل شمالی خلیج فارس در یک بازه 90 روزه مورد استفادهقرار گرفته اند. ب همنظور تعیین مقدار وقفه مناسب در مدل سازی زمانمند، شیوه خودهمبستگی جزیی به کار گرفته شدهاست. نتایج ارزیابی مدل ها بر اساس شاخص های ریشه میانگین مجذور خطا و درصد مطلق خطا حاکی از آن استکه مدل شبکه عصبی مبتنی بر الگوریتم لونبرگ- مارکوارد بالاترین دقت را در پی شبینی تغییرات کشند در هر 34 و 2 درصد دقت پیش بینی های مدل های ، ایستگاه مطالعاتی دارا است. این الگوریتم به طور متوسط به میزان 22رگرسیون خطی چندمتغیره، الگوریتم کاهش شیب و شیب مزدوج را بهبود بخشیده است. در نهایت تحلیل خطایمربوط به مجموع باقیمانده ها، بیش پیش بین بودن مدل های شبکه عصبی در ایستگا ههای جزیره کیش و بندر امامخمینی(ره) و ک مپیش بین بودن آنها را در ایستگاه خلیج چابهار را آشکار م یسازد.