ارائه روش ترکیبی طراحی آزمایشات تاگوچی- تاپسیس به منظور یافتن مناسب‌ترین ساختار شبکه‌ی عصبی مصنوعی مورد استفاده در پیش‌بینی تقاضای انرژی (مطالعه موردی: تقاضای بنزین در استان هرمزگان)

استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود تا دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در اکثر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود. هم چنین، سایر روش هایی که برای تعیین بهترین ساختار شبکه عصبی وجود دارد، تنها بر اساس یک معیار ارزیابی عملکرد شبکه، ساختار مناسب را تعیین می کنند. در مطالعه حاضر، محققین روش جدیدی را برای طراحی ساختار شبکه ارائه می دهند. در این روش، با استفاده از ترکیب روش طراحی آزمایشات تاگوچی و روش تاپسیس، مناسب ترین ساختار شبکه های عصبی مصنوعی، با درنظر گرفتن سه معیار ارزیابی عملکرد شبکه به طور هم زمان، تعیین می شود. نتایج حاصل از پیش بینی تقاضای بنزین در استان هرمزگان با استفاده از روش مذکور، کارایی و اثربخشی این روش را نشان می هد. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تعیین ساختار مناسب شبکه حدود 54% است و سهم مشارکت الگوریتم یادگیری نیز حدود 27% می باشد.

Using the hybrid Taguchi experimental design method – TOPSIS to identify the most suitable artificial neural networks used in energy forecasting

The use of artificial neural networks (ANN) in forecasting has many applications. Appropriate design of ANN parameters enhances the performance and accuracy of neural network models. Most studies use a trial and error approach in setting the value of ANN parameters. Other methods used to determine the best structure of a neural network only use a single evaluation criterion to determine the appropriate structure. In this study, the authors provide a new method to design the network structure. In this method, we use a combination of Taguchi experimental design and TOPSIS methods, to determine he optimal ANN structure, taking into account three evaluation criteria simultaneously. The estimated demand for gasoline in the Hormozgan province produced using this method, confirms its efficiency and effectiveness. Analysis of variance (ANOVA) of the ANN variables indicates that contribution of the number of neurons in the first hidden layer to the changes in the network performance is about 54% while the contribution of the learning algorithm is about 27%.