РЕКУРРЕНТ ВА АВТОРЕГРЕССИОН НЕЙРОН ТАРМОҚЛАРИ АНСАМБЛИДАН ФОЙДАЛАНИБ ХАВО ҲАРОРАТИНИ УЗОҚ МУДДАТЛИ ПРОГНОЗЛАШ

Admin bo'lib kirish (www.admin.slib.uz)

Tizim sinov (TEST) rejimida ishlamoqda! Murojat uchun @slib_support

Eski talqinga o'tish link

11 июн 2024

Asosiy til:Rus

РЕКУРРЕНТ ВА АВТОРЕГРЕССИОН НЕЙРОН ТАРМОҚЛАРИ АНСАМБЛИДАН ФОЙДАЛАНИБ ХАВО ҲАРОРАТИНИ УЗОҚ МУДДАТЛИ ПРОГНОЗЛАШ

Fan yo'nalishi:

6667e9dd87b7d.pdf

PDF

Gidrometeorologiya va atrof-muhit monitoringi

Maqola chop etish see more

MAQOLA ANNOTATSIYASI

Прогнозлаш бошқарувда қарор қабул қилиш учун замонавий ахборот технологияларининг энг муҳим элементларидан биридир. Қарорнинг самарадорлиги ҳақиқатдан кейин содир бўлган воқеалар билан баҳоланади. Шунинг учун воқеани прогностик баҳолаш қарор қабул қилишнинг маълум бир мезони ҳисобланади. Кўриб чиқилаётган қисқа муддатли катта хотира модели (LSTM) y(t) қийматига боғлиқ ҳолда ўтган қийматларнинг маълум векторлари (прогноз қилувчилари) тўпламига боғлиқлигини назарда тутади. Ушбу мақола реконструкция қилинган, вақт бўйича тартибланган ер усти ҳаво ҳарорати маълумотларидан фойдаланиб, уни прогноз қилиш муаммосини ҳал қилади. Яширин қатламдаги нейронлар сонининг прогноз сифатига таъсири баҳоланган. Нейрон тармоқ моделлари ансамблидан фойдаланган ҳолда бирлаштирилган (гибрид) моделлар ёрдамида прогнозлаш усули қўлланилган. Ер усти ҳаво ҳарорати учун ишлаб чиқилган прогностик моделнинг баҳолари анча юқори бўлиб чиқди, бу эса гидрометеорология хизматларининг оператив фаолиятида узоқ муддатли прогнозлаш масаласида нейрон тармоқ моделлари ансамблларидан фойдаланиш имконини беради.

MUALIFLAR

Teglar

# модели прогнозирования# рекуррентные нейронные сети# нелинейные авторегрессионные ней# нейронные сети длинной кратковре# приземная температура# среднеквадратичная ошибка# ансамбли моделей.# прогнозлаш моделлари# рекуррент нейрон тармоқлар# ночизиқли авторегрессив нейрон т# қисқа муддатли катта хотира нейр# ер усти ҳарорати# ўртача квадрат хато# моделлар ансамбллари.# forecasting models# recurrent neural networks# non-linear autoregressive neural# neural networks with long short-# surface temperature# root mean square error# ensembles of models.

Maqolani baholang

0

0 ta

Maqola idintifikatorlari

ROI:

https://eroi.uz/11.0191/A0624-0012

DOI:

Mavjud emas

Foydalanilgan adabiyotlar

Арушанов М.Л. Предикторы погоды на длительные сроки. – Hamburg: Lambert Academic Publishing (LAP), 2014. – 139 с.

Абдусаматов Х.И. О долговременных скоординированных вариациях активности, радиуса, светимости Солнца и климата / Тр. межд. конф. «Солнечная активность и космические лучи после смены знака полярного магнитного поля Солнца».  C-Пб. 2002. С. 13-18.

Абдусаматов Х.И. Солнце определяет климат // Наука и жизнь.  2009. №1.  C. 34-40.

Володин Е.М., Дианский Н.А., Гусев А.В. Воспроизведение современного климата с помощью моделей общей циркуляции атмосферы и океана INMC 4.0 // Известия РАН. Физика атмосферы и океана. – 2010. Том 46, № 4. – C. 448-466.

Замолодчиков Д.Г. Прогноз роста глобальной температуры в XXI веке на основе простой статистической модели // Компьютерные исследования и моделирование. – 2016. Том 8, № 2. – С. 379-390.

79-390. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. – 2001. – 630 c.

Шагалова П.А., Ляхманов Д.А. Нейросетевые технологии в решении задач прогнозирования // Современные проблемы науки и образования. – 2014. № 6. – С. 6-13.

Abdusamatov H.I. About the long-term coordinated variations of the activity, radius, total irradiance of the Sun and the Earth’s climatic / Proc. IAU Symposium №223. Cambridge: Univ. press. – 2004. – PР. 541-542.

Arushanov M.L. The natural reasons of change of a climate of a planet. – Hamburg: LAMBERT Aacademic Publishing (LAP), – 2012. – 170 p.

Hantemirov R.M., Corona C., Guillet S., Shiyatov1 S.G., Stoffel M., Osborn T.J., Melvin T.M., Gorlanova L.A. Kukarskih V.V., Surkov1 A.Y., Arx G., Fonti P. Current Siberian heating is unprecedented during the past seven millennia //Nature Communications,– 2022. №3. – РР. 3-10.

Электронные ресурсы: Ефименко Г.А., Синица А.М. Нейронные сети в MatLab. URL: https://digiratory.ru/508 LSTM – Long Short-Term Memory Networks. URL: https://se.mathworks.com/help/deeplearning/ug/long-short-term-memory-networks.html