کاربست تحلیل مولفه اصلی برای داده‌های هواشناختی در انتخاب ورودی شبکه عصبی مصنوعی

«انتخاب ورودی» صحیح، هوشمند و متناسب با هدف به‌کمک روش مناسب، اولین گام در طراحی شبکه عصبی مصنوعی (artificial neural network) با نماد ann به‌منظور پیش‌بینی است. دو رهیافت به‌منظور انتخاب داده‌های ورودی مناسب وجود دارد؛ در رهیافت اول سری زمانی پراسنج (پارامتر) موردنظر، یعنی هدف ann، در سال‌های گذشته و در رهیافت دوم پراسنج‌هایی که با هدف رابطه خطی یا غیرخطی دارند، مورد استفاده قرار می‌گیرند. در اثنای فرایند انتخاب ورودی برمبنای رهیافت دوم، به علت حجم زیاد داده‌ ورودی، خطاهای اندازه‌گیری، حضور داده‌های غیرمعمول و همبستگی بین متغیرهای ورودی، خطا افزایش و دقت پیش‌بینی کاهش می‌یابد. در اکثر موارد به علت فقدان اطلاعات دقیق مربوط به جزییات داده‌ به‌ناچار از روش سعی و خطا برای انتخاب ترکیب مناسبی از داده‌های ورودی و حذف داده‌های غیرمعمول استفاده می‌شود. در پژوهش حاضر، به‌منظور اجتناب از کاربرد روش سعی و خطا از تحلیل مولفه اصلی برای تعیین اطلاعات دقیق مربوط به جزییات داده استفاده شده است. تحلیل مولفه اصلی توانایی‌های متعددی از جمله؛ کاهش ابعاد داده، استخراج مُدهای تغییرپذیری متغیرهای ورودی، از بین بردن همبستگی بین داده‌های خام و حذف داده‌های غیرمعمول دارد. در پژوهش حاضر، پراسنج‌های هواشناختی مرتبط با دما، به‌منظور تعیین داده‌های ورودی مناسب برای پیش‌بینی میانگین دمای روزانه سال 2009 در ایستگاه همدیدی شهرستان یزد در یک دوره آماری 29 ساله (1980 تا 2008) مورد بررسی قرار گرفته‌اند. سپس با کاربست تحلیل مولفه‌ اصلی، ضمن حذف همبستگی بین متغیرهای ورودی، داده‌های غیرمعمول شناسایی و حذف می‌شوند. درنهایت با بررسی مدهای تغییرپذیری هریک از پراسنج‌ها و مقایسه آنها با هدف ann، داده‌های ورودی مناسب انتخاب می‌شود. نتایج نشان می‌دهد که با استفاده از توانایی‌های متعدد تحلیل مولفه اصلی می‌توان انتخاب ورودی صحیح، هوشمند و متناسب با هدف ann را بدون استفاده از روش سعی و خطا عملی ساخت.