长期降雨预报信息利用有限数量的观察通过人工神经网络的方法

文摘

估计模型越来越突出的关键的非线性连接的大规模水平的信息和混乱的组件。创建的研究表明现代方法利用人工神经网络(ANN)方法,可能是一种替代传统战略实际推进降雨估计程序执行。一个案例研究,提出了对土耳其Duzce和Bolu邻国领土位于黑海的南部海岸。本研究的主要目的是创建一个ANN模型领域独特的和有限的数据甚至产生令人满意的结果。拟议的技术被用来估计降雨和关于未来降水作出预测。Bolu每日平均降雨量月数据和数量有限的Duzce降雨数据。失踪的预测和潜在的降雨量预测基础研究将检查。本研究进一步关注安计算概念和发展降雨时间序列预测的神经网络。本研究的重点是一个前馈反向传播网络。Levenberg-Marquardt算法(LMA)实施培训一个两层的前馈安失踪的降雨数据预测研究的一部分。 The inaccessible rainfall parameters for Düzce were determined for the years 1995 to 2009. From 2010 to 2020, a two-layer feed-forward ANN was trained using the gradient descent algorithm to forecast daily average rainfall data by month. The findings reported in this study guide researchers interested in implementing the ANN forecast model for an extended period of missing rainfall data.

1。介绍

数据驱动的方法是广泛用于许多领域,包括气象研究和环境工程,一个特别青睐的建模数据处理方法是人工神经网络(ANN) [1,2]。利用数学模型来实现发现与有限的数据提高科学分析发展(3]。人工神经网络有很多好处,比如消除非线性数学系统建模的困难(4,5]。计算体系结构,预测最好的结果已经通过调整中间神经元和激活函数(6,7]。据饶et al。8),反复试验的方法是最好的方法,估算人工神经网络中的神经元层和配置。中间一层变化和修改这一层的神经元数来确定神经网络的精度。

许多科学学科现在有准确预测由于先进的人工神经网络(ANN)方法(9,10]。它有许多应用程序,包括工程、环境、气象、空间和航空、通信系统、卫生、信息、研究和开发。预测模型采用线性和非线性回归分析等统计技术和安11]。与几个变量和一个巨大的输入数据,预测努力可以简化。许多环境研究利用ANN方法。将et al。12)使用测量氮氧化物(NO的独立参数_X)、温度、二氧化硫(₂)、可吸入颗粒物(PM10)预测表面臭氧(O₃在恒河的西孟加拉邦气体浓度。艾尔·奥马尔et Al。13]使用多层感知器(MLP)预测模型基于提前发现multihours表面臭氧(O₃加拿大的安大略省)浓度。

观察到的输入和目标数据之间缺乏相关性意味着安分析可能无法产生预期的结果。回归分析被用于各种各样的其他研究和学科。回归模型的主要目标是找到一个更好的趋势线代表了数据集。公园等。14)实现回归分析和ANN模型预测颗粒物浓度10µ在环境空气(PM10)。Gualtieri et al。15还创建了回归和ANN模型预测细颗粒物浓度和traffic-oriented氮氧化物(NO_X)。回归分析结果相比,安分析一直产生更多成功的结果(14,15]。

许多研究已经进行了预测损失和潜在的水文数据值在环境与土木工程研究(16]。在他们的研究中,Pakdaman et al。17)和Kashiwao et al。18)表示,短期降雨预报所需的水资源环境的特定方面,例如评估潜在的洪水和城市径流的实时管理系统。侯赛因et al。9)研究在澳大利亚西部预测长期的季节性降雨。雨,空气温度、含湿量、相对涡度,风的垂直分量,水分通量散度被选为输入数据的训练安产生降雨预测(9]。唯一的输出是降雨在西澳大利亚使用合格的输入数据,并取得了较好的效果。Akıner和Akıner19)在湖泊进行水质模拟Sapanca采用ANN技术指出表面水质恶化的主要威胁。

众所周知,ANN方法产生优秀的结果与大量的数据点,但还不知道安将产生可接受的结果,可靠的结果时,将过去和未来有限的观测数据。本研究的主要目的是确定失踪从过去时态数据,然后进行数值预测为未来使用ANN技术的认知技能和极端的学习能力,即使有限的降水数据。ANN模型的性能评估使用测量降雨量数据来自邻近地区,Bolu,更方便时间降雨数据,和Duzce降雨测量值。结果表明,如果安架构是正确安装,可以获得满意的结果。因此,人们认为我们只有每月观测数据从2008年1月至2009年11月Duzce,和网络训练从邻近的城市Bolu使用数据。最后,安方法结果证明使用足够的实际降雨量数据准确地记录了Duzce在2009和2020之间。

2。材料和方法

2.1。研究领域

本研究进行的黑海Duzce和Bolu在土耳其。Duzce城市是一个城市Bolu邻镇。Duzce的气象观测站位于海拔150米,坐标40°50′N和31°8′e . Bolu城市的气象站位于740米的高度;它的坐标是40°44 36′′N和31°e .有41-kilometer之间的距离两个气象站。图1描述了研究区域的地图,以及Duzce和Bolu气象电台。

这一分析的主要目标是生成区域定量预测每天的平均降雨量每月使用ANN方法近似缺少降雨值。同样,可以预测潜在的同一个城市降雨数量使用相同的技术。

2.2。数据收集

土耳其国家气象服务(tsm)之间提供降雨数据1995年1月和2020年12月20.]。每天进行了测量,测量值的加权平均每月用于分析每月每日平均降雨量在毫米/天。然而,也有一些缺失值的气象数据,特别是Duzce。另一方面,Bolu更好的测量数据和更少的比Duzce无计量记录。ANN模型是使用广泛的月度数据从Bolu气象学站从1995年1月到2009年12月和有限的月度数据从Duzce气象学站从2008年1月到2009年11月。不幸的是,没有测量数据在2008年之前Duzce拍摄或记录。本研究着重于Duzce作为一个研究领域。因此,它将决定是否有利于使用ANN方法在提供Duzce缺失的数据。

2.3。基于场景的方法

典型应用想象训练的网络大数据集,然后进行预估。人工神经网络还是一个可靠的方法虽然数据集是有限的?这项研究的主要目标是找到这个问题的答案。网络训练从过去使用较小的数据集,和安被用来预测未来的方案设计。一个场景是实现这一目标,假设我们还在2009年。一直以为Duzce需要26年的降雨数据在1995年和2020年之间。

另一方面,它将决定是否仍有可能获得这26年降雨量数据集以最少的错误。我们的目标是实现一个高度相关的使用只有23个月的ANN模型创建为Duzce降雨数据。降雨数据可以从邻近的城市Bolu在1995年和2009年之间被用来执行培训,验证和测试阶段的ANN方法和训练网络。老和城市化结构远远超过Duzce城市,城Bolu使得访问旧的气象数据成为可能。气象学站在Bolu提供十五年的月度数据从1995年1月至2009年12月。然而,降雨数据的Duzce只有可用的23个月2008年1月至2009年11月,根据可用的气象数据,直到2009年12月。

实际上,使用数据从城市的想法Bolu创建一个广泛的颞Duzce镇气象数据集的可接受的水平的影响从线性回归分析获得相关值两个城市的降雨数据。因此,降雨值Bolu不能用于Duzce降雨数据的地方。此外,产生的函数线性回归分析中,当应用到23个月的有限数量的数据点,不允许建立一个26年的降水数据集,而无需使用任何其他独立变量。Duzce Bolu降雨数据是不可互换的,但是这两个城市的降雨特征,这是41公里,是相似的。因此,ANN方法被认为是一种技术,它可以生成Duzce降雨数据集1995年1月至2020年12月。

缺少降雨值在Duzce计算使用人工神经网络(ANN)模型之间的1995年和2007年和2009年12月。此外,潜在的降雨值Duzce从2009年到2020年的城市计划使用相同的方法。ANN模型使用公开可用的平均每日构建了月降雨量数据来自邻居Bolu Duzce和相关的时态数据。培训前通过ANN网络并进行分析,回归分析应该显示一个重要的输入和目标数据之间的关系。因此,这两个数据集统计测试是否有足够安相关性进行分析。

2.4。人工神经网络(ANN)模型配置

网络设置数据启动后决定和人工神经网络的优化。一个多层感知器(MLP)网络可以解决各种工程问题基于数据作为前馈神经网络类。安一个延时是一种输入层,隐藏和输出和经常用于时间序列预测21,22]。前馈网络的权值和偏差培训之前必须配置为小随机值(23,24]。训练数据集可以减少误差的神经网络的输出。所有的训练算法表现出反向传播,喂养的输入和更新重量和偏差值(25]。Levenberg-Marquardt算法(LMA)是一个步骤减少和高斯牛顿算法。LMA实施训练一个两层的前馈安。LMA是一个流行的算法,因为它有一个一阶导数的高成功率的方法。广泛应用与反向传播人工神经网络架构(26]。

两层前馈神经网络对未来降雨预测阶段被训练使用梯度下降算法。Levenberg-Marquardt算法(LMA)混合牛顿的速度梯度下降法的一致性,而反向传播是一个梯度下降算法。表面是做比喻的LM算法的每次迭代一步接近错误,和给出的解决方案是在每个迭代的最小梯度抛物线。有两种梯度下降算法的实现:增量模式和批处理模式。在安训练,重量和偏见进行调整来确定网络的全球最小的误差。

在这项研究中,安架构被认为在减少错误产生最佳的性能。网络的最优规模是由添加和删除隐藏层神经元到最佳的神经元数量满足目标训练误差公差。先前的研究人员设计出一个方程决定隐层的神经元数。关于输入神经元数目(n)和输出神经元数(米),该隐层神经元的数量(2之间变化n+ 1)和(2√n+米)[27,28]。最好的网络体系结构和最优神经元数量是决定使用一个全面的试验和错误的阶段。是至关重要的,选择合适的神经网络中神经元激活函数,达到预期的效果。的数据类型作为输入,并使用神经网络的目的应该考虑在选择激活功能。解决非线性问题时,使用非线性激活函数产生更好的结果(29日]。非线性模型被用来预测未来的降雨。神经元的非线性转移函数反曲的增加单调,是连续可微的函数。

失踪的记录,另一方面,使用线性传递函数。权重调整迭代训练集的基础上尽量减少网络输出和观测值之间的误差。安更好解释了动态气象现象的内在非线性比线性方法(30.]。过度拟合模型参数训练数据由于过多的参数或权重可能会同时在训练数据集的令人满意的性能31日]。验证设置控件的学习阶段与第二个数据集,和一个无偏预测的泛化误差防止过度拟合是保证由第三个独立测试集的数据(32,33]。增加隐藏的神经元的数量使目标函数波动,允许模型处理数据的波动。降雨模式经常受季节变化的影响。MLP网络训练的学习速率是至关重要的,因为它在每个迭代控制体重的变化。根据Adamuthe Vhatkar [34),0.05到0.5的学习速率产生令人满意的结果。因此,结构见表1被选为神经网络用于这项研究。

图2描绘了一个散点图,趋势线连接失踪降雨量的预测和观察值的火车,验证和测试数据集安训练期间使用。

向MLP网络的输入矩阵结构进行进一步的降雨预报包括五个向量与十二个元素,对应五年,十二个月(见表2)。例如,矩阵中的R05代表降雨数据从2005年开始,每年和下标代表。在初步阶段,实际降雨量数据从2009年(R09)留出作为网络训练的目标输出。每一步,输入矩阵的初始矢量是不断转移,和输出向量产生在前阶段同时放置在以下输入矩阵。

而不是使用一个网络,其中包括所有的数据从2010年到2020年,小样本的时间序列被用来生成更精确的神经网络(35]。与12个月,11网络使用,换句话说,小尺寸样品各有12个元素。梯度下降算法的性能远远优于Levenberg-Marquardt算法(LMA)。安训练与增量模式下,使用线性和非线性的转换(见表3)。通过提供−1和1之间的值,向MLP网络的双曲正切函数加速体重学习物流功能(多36]。

3所示。结果与讨论

图3描绘了一个可靠的相关性(R²= 0.72)中可用的有限23-month-long数据来自邻近城市的2008年1月至2009年11月。实时降雨预测是使用ANN模型建立完成的。

以来,线性相关系数为0.72,接近于1,ANN模型产生可靠的预报值相关性高的值与这些有限的数据。据几位研究在文学,这种方法适用于即使在这样极端的情况下与传统统计方法相比,降雨量的更高与更大的变化从每月37,38]。Duzce检查区域的降雨量,土耳其,降雨量适中和合理的从每月降雨量的变化值。这种情况可能是有利的安分析的成功。然而,这项研究的主要目标是创建一个人工神经网络(ANN)模型,这是独特的研究领域,成功的结果在数据有限的情况下;ANN模型可以用于降雨量预报,可以提供一个预测未来降雨情况。关于传统的统计技术,ANN方法还提供了更可靠的数值结果Duzce,降水率适中,从每月低降雨量的变化值。在这种情况下,预计达到的主要目标取得成功的结果,但它是至关重要的确定适当的网络体系结构和ANN模型的训练算法在以往成功的作品(39]。

MATLAB R2018b深度学习工具箱(40)是用于神经网络分析和图形结果也提出了物理解释和讨论。在这项研究中,两种截然不同的安配置。一个是预测丢失记录,其他是预测未来值。在某些情况下,网络的输入是不堪重负。在这些情况下,训练过程需要很长时间。通过删除数据,不会导致网络训练,主成分分析(PCA)可以减少输入数据(41,42]。因此,避免相互关联的输入数据。

然而,结果并没有改变有或没有PCA, PCA并没有要求在这个研究。不使用PCA,能获得最好的结果。安的分析揭示了一个在Duzce和Bolu降雨量之间的线性关系。当估计Duzce降雨记录和观察Bolu降雨记录是散点绘制,适合生成的数据是一个线性多项式,以及它们之间有高度的相关性,如图4。

在本研究的第一部分,失踪的月降雨量Duzce城市从1995年1月至2009年12月利用ANN模型,预测结果如图所示5。星星代表模型的预测,圆圈代表Duzce降雨记录按月日均成交量。每天两个单位以毫米。安研究期间,线性和非线性传输函数一起进行评估和线性传递函数是喜欢根据均方误差(MSE)。结果,估计丢失的降雨数据的线性函数被认为是比使用安。ANN模型被用于这项研究的第二阶段预测潜在的降雨记录Duzce市从2010年到2020年。

预测值从这项研究的第一阶段是用于此目的。图6描绘Duzce的观察和ANN预测每日按月平均降雨量记录2009年12月至2020年12月。图7说明了ANN模型输出之间的相关性和观察Duzce降雨记录。确定的系数(R²)和相关(R)分别为0.62和0.79,计算。

模型的性能估计缺失值可以用来衡量研究的成功。列车的相关系数、验证和测试的结果是0.87,0.92和0.93。此外,均方误差值的计算是0.053毫米²d⁻²。应用模式的满意度水平可以确定通过比较这些结果与其他研究[43,44]。产品从类似的论文45,46)检查,很明显,在这项研究中使用的模型的性能高度可靠的最小数据。

4所示。结论

安被用来模拟动态水文过程作为一个重要的替代方法和常用的预测。本研究的目的有两个组件。第一步是创建一个安专为预测模型缺少降雨记录Duzce使用从邻近的城市Bolu降雨数据。安之前分析,气象事件之间的关系在两个城市都应该被发现。回归分析等统计方法最直接的和广泛使用的方法。ANN模型将不会产生预期的结果如果没有依赖和独立变量之间的关系。很强的相关性之间的降雨记录从Duzce Bolu被发现使用回归分析。最好的网络体系结构缺失值估计成立经过长时间的尝试和错误的阶段。

是不可能进行第二阶段的研究预测降雨数据从2010年到2020年没有完成第一阶段自第一部分第二部分的数据输入。输入参数是连续5年的观察和预测每日平均月降雨量数据(毫米/天)。今年后连续5年的输入是预期的结果。预测是使用线性和非线性变换实现模型。在第一阶段,线性模型的收益率更实质性的结果。

因为线性和非线性传输函数的有效性在避免局部最小值,使用线性和非线性转移函数一起阻止投影数据成为被困在峰值最小值。根据研究结果,Duzce每月的平均降雨量级范围从0到4.5毫米/天。这项研究表明,安是一个很好的方法来估计长期降雨数据即使一些测量。

降雨预报的ANN模型的成功应用表明,本研究中使用的方法还可以用于未来的研究在极端降雨和洪水的分析预测。人们可以更好的准备以这种方式潜在的极端气象事件。本文的研究结果表明,它可以是一个宝贵的指南评估降雨预测使用适当开发ANN模型的有效性和可靠性的网络体系结构和实现的特定的算法。

数据可用性

数据可以从土耳其国家气象服务(tsm),气象数据信息销售和演示系统(MEVBIS),气象数据Duzce Bolu, 1995年1月至2020年12月,安卡拉,土耳其,2021(在线)(可用https://mevbis.mgm.gov.tr/mevbis/ui/index.html /工作区)。

的利益冲突

作者宣称没有利益冲突。

引用

1. s Berkhahn l·福克斯,Neuweiler,“一个城市洪水、实时预测神经网络模型”《水文卷,575年,第754 - 743页,2019年。视图:出版商的网站|谷歌学术搜索
2. d·库马尔,a·辛格,p .苏梅,r·k·杰哈“每月预测降水使用顺序建模,”水文科学杂志,卷64,不。6,690 - 700年,2019页。视图:出版商的网站|谷歌学术搜索
3. g . Mohebbi Tafreshi m . Nakhaei r .腊克语,“基于gis技术的比较研究的混合fuzzy-gene表达式编程和混合fuzzy-artificial土地沉降敏感性神经网络建模、”随机环境研究和风险评估,34卷,不。7,1059 - 1087年,2020页。视图:出版商的网站|谷歌学术搜索
4. m . o . Okwu和l . k . Tartibu“人工神经网络”Metaheuristic优化:产品表面蜂群算法和计算智能理论和应用程序施普林格,页133 - 145年,可汗,柏林,德国,2021年。视图:出版商的网站|谷歌学术搜索
5. d . Dold Bytschok, a . f . Kungl et al .,”特性转化从贝叶斯function-why大脑需要没有噪音,”神经网络卷,119年,第213 - 200页,2019年。视图:出版商的网站|谷歌学术搜索
6. 钱,h·刘,刘,s .吴和h . s . Wong“适应性在卷积神经网络激活功能,”Neurocomputing卷,272年,第212 - 204页,2018年。视图:出版商的网站|谷歌学术搜索
7. s . r . Kheradpisheh m . Ganjtabesh s . j .索普和t . Masquelier”STDP-based飙升深卷积神经网络目标识别,”神经网络卷。99年,56 - 67,2018页。视图:出版商的网站|谷歌学术搜索
8. k . p . Rao t . v .先生,g .阿b . a . Rao,”伊迪使用生物柴油与柴油发动机的性能和排放分析人工神经网络(ANN),“埃及石油学报,26卷,不。3、593 - 600年,2017页。视图:谷歌学术搜索
9. 侯赛因,h . m . Rasel m·a . Imteaz和f . Mekanik”长期季节性降雨预测使用线性和非线性建模方法:澳大利亚西部的案例研究,“气象学和大气物理,卷132,不。1,第141 - 131页,2020。视图:出版商的网站|谷歌学术搜索
10. y黄、j·李和j .傅”人工智能在土木工程中的应用,综述”计算机模拟在工程和科学,卷121,不。3、845 - 875年,2019页。视图:出版商的网站|谷歌学术搜索
11. t . e . Salais-Fierro j . A . Saucedo马丁内斯,b . i Perez-Perez”决策的方法使用模糊逻辑,简称ANFIS:零售研究情况,”数据分析和优化工程和计算问题施普林格,页155 - 172年,可汗,柏林,德国,2020年。视图:出版商的网站|谷歌学术搜索
12. g .将s . k . Midya,美国将“延时预测模型为基础表面臭氧浓度在市区季节,在恒河西孟加拉邦前季风时期”大气和日地物理学杂志》上卷,184年,页57 - 62,2019。视图:出版商的网站|谷歌学术搜索
13. m . k . AlOmar m . m . Hameed和m . a . AlSaadi”提前多小时预测表面臭氧气体浓度:强大的人工智能方法,”大气污染研究,11卷,不。9日,第1587 - 1572页,2020年。视图:出版商的网站|谷歌学术搜索
14. 美国公园,m . Kim m . Kim et al .,“预测PM10浓度在首尔都市地铁车站使用人工神经网络(ANN),“《有害物质卷,341年,第82 - 75页,2018年。视图:出版商的网站|谷歌学术搜索
15. g . Gualtieri f . Carotenuto s Finardi m·塔尔塔利亚·Toscano和b . Gioli”每小时预测PM10浓度在意大利北部:见解对模型性能通过自组织映射和PM10司机,”大气污染研究,9卷,不。6,1204 - 1213年,2018页。视图:出版商的网站|谷歌学术搜索
16. c·a·拉姆齐·w·米勒和t . l . Mote,“未来降水变化在早期降雨季节的El Yunque国家森林”科学的环境卷,661年,第336 - 326页,2019年。视图:出版商的网站|谷歌学术搜索
17. m . Pakdaman y Falamarzi、i Babaeian和z Javanshiri,“后处理北美多模型集合的月降水基于神经网络模型的预测,”理论和应用气候学,卷141,不。1 - 2、405 - 417年,2020页。视图:出版商的网站|谷歌学术搜索
18. t . Kashiwao k . Nakayama安藤,池田k·m·李和A . Bahadori”当地降雨神经网络预测系统在互联网上使用气象数据:一个案例研究使用日本气象局的数据,”应用软计算,56个卷,第330 - 317页,2017年。视图:出版商的网站|谷歌学术搜索
19. m . e . Akınerİ。Akıner”Sapanca湖水质分析饮用水资源和建议的解决方案可持续环境污染问题的方法,”可持续性,13卷,不。7,1-13,2021页。视图:谷歌学术搜索
20. 土耳其国家气象服务(tsm),气象数据信息销售和演示系统(MEVBIS)气象数据Duzce和Bolu从1995年1月至2020年12月,安卡拉,土耳其,2021年,https://mevbis.mgm.gov.tr/mevbis/ui/index.html /工作区。
21. m·阿里·r·c·托y, y,和z . m . Yaseen”预测长期降水水资源管理:一个新的多步骤的信息资料建模方法,”水文科学杂志,卷65,不。16,2693 - 2708年,2020页。视图:出版商的网站|谷歌学术搜索
22. f·r·Hashim n . n . Daud k·a·艾哈迈德·j . Adnan和z . i Rizman”预测降雨根据天气使用人工神经网络参数,“基础和应用科学杂志》上,9卷,不。3 s, 493 - 502年,2017页。视图:谷歌学术搜索
23. s . g . Meshram诉p·辛格,o .基西人诉Karimi)和c . Meshram”应用人工神经网络、支持向量机和多个model-ANN产沙量预测,“水资源管理,34卷,不。15日,第4575 - 4561页,2020年。视图:出版商的网站|谷歌学术搜索
24. h·陈,l . Tang和美国,“基于分数小波变换齿轮故障检测分析方法和反向传播神经网络,”计算机模拟在工程和科学,卷121,不。3、1011 - 1028年,2019页。视图:谷歌学术搜索
25. k·d·Sardeshpande和v . r .先进”,降雨量预测:神经网络体系结构的比较研究,”新兴技术在数据挖掘和信息安全页19-28 Springer,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
26. r . Sitharthan k . r . Devabalaji, a . jee”基于Levenberg-Marquardt训练前馈反向传播的智能螺旋角对风力发电系统控制器,”可再生能源集中卷,22日至23日/,2017页。视图:出版商的网站|谷歌学术搜索
27. n .问:挂m . s .巴别塔,s . Weesakul和n . k . Tripathi”降雨预报的人工神经网络模型在曼谷,泰国,”水文和地球系统科学,13卷,不。8,1413 - 1425年,2009页。视图:出版商的网站|谷歌学术搜索
28. d·弗莱彻和e·戈斯”与神经网络预测,”信息与管理,24卷,不。3、159 - 167年,1993页。视图:出版商的网站|谷歌学术搜索
29. 中情局威廉姆森,t·w·休斯,m . Minkov b . Bartlett s Pai和美国球迷,“可重复编程的光电光学神经网络非线性激活函数”IEEE选定的主题在量子电子学杂志》上,26卷,不。1、1 - 12,2019页。视图:谷歌学术搜索
30. a . Manzato”Sounding-derived指数基于神经网络短期雷暴和降雨预测,“大气研究,卷83,不。2 - 4、349 - 365年,2007页。视图:出版商的网站|谷歌学术搜索
31. a Nair g·辛格(manmohan Singh)和c·莫汉蒂,“月度预测夏季季风降水利用全球气候模型通过人工神经网络技术,”纯粹与应用地球物理,卷175,不。1,第419 - 403页,2018。视图:出版商的网站|谷歌学术搜索
32. 海达尔和b Verma”小说的方法优化降雨量的气候特征和网络参数预测,“软计算,22卷,不。24日,第8130 - 8119页,2018年。视图:出版商的网站|谷歌学术搜索
33. 问:刘、y .邹和x Liu“内存自组织神经网络对气溶胶浓度预测,“计算机模拟在工程和科学,卷119,不。3、617 - 637年,2019页。视图:出版商的网站|谷歌学术搜索
34. a·c·Adamuthe和r . v . Vhatkar改进神经网络工具:应用社会预测的问题,”Techno-Societal施普林格,页3 - 10,可汗,柏林,德国,2018年。视图:出版商的网站|谷歌学术搜索
35. x z Haofei,办事、y Fangting和y汉,“基于多级神经网络模型优化方法在中国短期食品价格预测,“专家系统与应用程序,33卷,不。2、347 - 356年,2007页。视图:出版商的网站|谷歌学术搜索
36. l . Fausett神经网络:基础架构、算法和应用程序美国新泽西州霍博肯市新世纪,1994。
37. s . Samantaray o . Tripathy a Sahoo, d . k . Ghose用“通过安和SVM在bolangir流域降雨预测,印度”聪明的智能计算和应用施普林格,页767 - 774年,柏林,德国,2020年。视图:出版商的网站|谷歌学术搜索
38. r . Mirabbasi o .基西人,h . Sanikhani和美国Gajbhiye Meshram,“每月使用M5Tree长期降雨估计在印度中部,火星,LSSVR,安和GEP模型”神经计算和应用没有,卷。31日。10日,6843 - 6862年,2019页。视图:出版商的网站|谷歌学术搜索
39. 美国将和g .将共轭梯度下降学习安对印度夏季风降水通过香农-范诺编码和效率评估,”大气和日地物理学杂志》上卷,179年,第205 - 202页,2018年。视图:出版商的网站|谷歌学术搜索
40. Mathworks,Matlab深度学习工具箱美国,纳蒂克,波士顿,MA, 2018年,https://www.mathworks.com/products/deep-learning.html。
41. n . c . Onat m . Kucukvar, s . Afshar”电动汽车在美国的生态效率:基于生命周期评价的主成分分析,“《清洁生产卷,212年,第526 - 515页,2019年。视图:出版商的网站|谷歌学术搜索
42. t·杨,a . a . Asanjan m . Faridzad n . Hayatbini x高,和美国Sorooshian,”一个增强与重组后的复杂的进化人工神经网络全局优化与主成分分析,“信息科学卷,418 - 419,302 - 316年,2017页。视图:出版商的网站|谷歌学术搜索
43. j . Refonaa m·拉克希米·s . Dhamodaran s Teja和t·n·m·Pradeep“机器学习技术降雨使用神经网络预测,“计算和理论纳米科学杂志》上,16卷,不。8,3319 - 3323年,2019页。视图:出版商的网站|谷歌学术搜索
44. m·a·阿米里,c . Conoscenti和m . s . Mesgari”提高降雨预报的准确性使用区划方法和神经网络,”科威特科学杂志》,45卷,不。4、66 - 75年,2018页。视图:谷歌学术搜索
45. m . k . Bolandakhtar和美国Golian”,确定最佳组合的MODIS数据作为输入的ANN模型模拟降雨,”理论和应用气候学,卷138,不。3 - 4、1323 - 1332年,2019页。视图:出版商的网站|谷歌学术搜索
46. 美国Gundoğdu”,中长期规划的比较静态和动态NARX神经网络预测大气可吸入颗粒物和二氧化硫浓度在土耳其的一个工业区,”环境取证,21卷,不。3、363 - 374年,2020页。视图:谷歌学术搜索

版权

版权©2021年穆罕默德大肠类似。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。