انتخاب مناسب‌ترين ورودي‌ها براي مدل‌ شبكۀ عصبي مصنوعي با استفاده از الگوريتم جامعۀ مورچگان

select the Most Suitable Inputs to the Artificial Neural Network Model by Using the ACO Algorithm

يافتن مناسب ترين ورودي ها براي شبكۀ عصبي و همچنين تعداد مناسب ورودي براي آن يكي از چالش هايي است كه همواره محققان با آن روبه رو هستند. اغلب، بهترين ساختار براي شبكۀ عصبي نيز به صورت آزمون و خطا مشخص مي شود و درنهايت با تعريف چند ورودي خاص مدل هاي مختلفي توليد و بررسي ميشوند. در اين تحقيق به مدل سازي كيفي جريان رودخانۀ گادارچاي با استفاده از شبكۀ عصبي مصنوعي پرداخته شده و دو مدل و براي هر مدل چهار سناريو تعريف شد. در هر دو مدل پارامتر هدف مقدار هدايت الكتريكي بوده است. ورودي هاي مدل اول (ANNa) را پارامترهايي تشكيل مي دهند كه بيشترين همبستگي را با پارامتر هدف (EC) داشتهاند. در مدل دوم (ANNb) مناس بترين پارامترهاي ورودي با استفاده از الگوريتم جامعۀ مورچگان (ACO) مشخص شد. معيارهاي به كاررفته در اين تحقيق شامل معيارهاي ميانگين مربعات خطا (MSE)، مجموع مربعات خطا (SSE)، نش ساتكليف و ضريب همبستگي بوده است. نتايج نشان داد بهترين مدل ANNa، مدل ANNa2 با مقدار MSE برابر 0/0017 است. ورودي هاي اين مدل مجموع كاتيونها، سختي كل و كلسيم است. بهترين مدل ANNb، مدل ANNb3 با مقدار MSE برابر 0/0012 است. ورودي هاي اين مدل درصد سديم، pH و سختي كل است. همچنين، نتايج نشان داد استفاده از الگوريتم جامعۀ مورچگان براي يافتن بهترين پارامترهاي ورودي سبب افزايش كارايي شبكۀ عصبي در قسمت صحتسنجي و تست در مدل ANNb نسبت به مدل ANNa مي شود. طبق نتايج بهدستآمده به جاي آزمون و خطا در يافتن بهترين ورودي ها براي شبكۀ عصبي ميتوان به عنوان گام نخست از پارامترهايي استفاده كرد كه بيشترين همبستگي را با پارامتر هدف دارند؛ اما پارامترهايي كه با پارامتر هدف همبستگي زيادي دارند، لزوماً بهترين ورودي ها براي شبكه نيستند. همچنين، نتايج نشان داد از الگوريتم ACO مي توان به عنوان روشي براي انتخاب متغيرهاي ورودي استفاده كرد و عملكرد شبكۀ عصبي را بهبود بخشيد.

the performance criteria have used in this study is including mean square error (MSE), sum square error (SSE), Nash_Sutcliffe and correlation coefficient. The result indicated the best ANNa model is ANNa2 with MSE equal 0.0017. Inputs in this model are Total Cation, Total Hardness and Calcium. The best ANNb model is ANNb3 with MSE equal 0.0012. Inputs in this model are Sodium adsorption ratio, pH, Total Hardness and Calcium. Also, the results indicated that using ACO algorithm for finding the best input parameters had increased neural network performance, in ANNb models than ANNa for validation network and for test network we see with increases inputs the performance of network increases. According to results we can say that against try and error for finding the best inputs, we can use the parameter that those had a high correlation between target parameter as first step. But parameters that have high correlation between target parameter, necessarily don't the best inputs. But the parameter that those had a high correlation between target parameter as inputs of neural network. Also, we find that the ACO algorithm can be used as a method of input variable selection and that improved the performance of neural network.