فهرست نشریات علمی دسترسی آزاد ایران

الگوریتم‌های فراابتکاری روش‌های حل مسئله‌ای است که از رویداد‌های موجود در طبیعت و یا رفتار جانداران الگوبرداری شده است. در این الگوریتم‌ها شیوه‌های حل مسئله در جانداران مورد مدلسازی و الگوبرداری قرار گرفته شده است تا بتوان راه‌حلهای بهینه را استخراج نمود. الگوریتم‌های فراابتکاری در زمبنه‌های مختلف دارای کاربرد می‌باشند که یکی از آنها بهینه‌سازی پارامترهای یادگیری ماشین و یادگیری عمیق است. شبکه‌های عصبی یادگیری عمیق کاربردهای زیادی در موضوعات مختلف مانند پیش بینی، طبقه‌بندی و تشخیص الگو دارند. یکی از کاربردهای مهم شبکه‌های عصبی یادگیری عمیق، موضوع پیش بینی وضعیت آب و هوایی است. شبکه عصبی LSTM یک روش یادگیری عمیق است که می‌تواند برای تشخیص وضعیت آب و هوایی استفاده شود. در لایه اول شبکه یادگیری عمیق LSTM، از انتخاب ویژگی خودکار و در لایه آخر فاز طبقه‌بندی خودکار انجام می‌شود. در این مقاله برای کاهش دادن خطای پیش بینی و طبقه‌بندی شبکه یادگیری عمیق LSTM یک رویکرد دو مرحله‌ای برای بهبود این شبکه یادگیری عمیق ارایه می‌شود. در فاز اول از الگوریتم یادگیری کلاغ برای انتخاب ویژگی در لایه اول شبکه LSTM استفاده می‌شود تا یادگیری روی ویژگی‌های مهم متمرکز شود. ارزیابی‌ها نشان داد دقت روش پیشنهادی در پیش بینی وضعیت آب و هوایی برابر 96.92% است و این در حالی است که اگر برای پیش بینی از انتخاب ویژگی استفاده نشود و فقط از شبکه یادگیری عمیق استفاده شود آنگاه دقت روش پیشنهادی در حدود 93.21% است. ارزیابی‌ها نشان می‌دهد دقت روش پیشنهادی برای پیش بینی وضعیت آب و هوایی از روش LSTM و MLP بیشتر است.