| مروری کوتاه بر روش های یادگیری عمیق برای پیش بینی دمای سطح دریا با تمرکز بر حافظه طولانی کوتاه مدت |
| کد مقاله : 1032-MSRICONF |
| نویسندگان: |
|
مریم کریمیان * دانشجوی دکترا شیلات دانشکده منابع طبیعی- دانشگاه صنعتی اصفهان |
| چکیده مقاله: |
| پیش‌بینی دمای سطح دریا به‌ویژه برای مناطقی با تغییرات بالای این متغیر یک کار چالش برانگیز است. چنین پیش‌بینی‌هایی با به کارگیری مدل‌های مبتنی بر فیزیک، که اغلب پیش‌بینی‌های ضعیفی دارند و از نظر محاسباتی قوی هستند، یا با استفاده از روش‌های مبتنی بر داده، که ماهرانه و از نظر محاسباتی با قدرت کمتر هستند، صورت می گیرد. دراین مطالعه مروری، به بررسی روش های مختلف یادگیری عمیق به ویژه شبکه های حافظه طولانی کوتاه مدت در پیش بینی دمای سطح دریا پرداخته شده است. در سال‌های اخیر، به شبکه‌های حافظه طولانی کوتاه مدت (نوعی از شبکه‌های عصبی بازگشتی) توجه زیادی شده است. این روش مشکلات ناپدید شدن گرادیان شبکه های عصبی بازگشتی، انفجار گرادیان و توانایی ناکافی حافظه بلندمدت را جبران و برطرف می کند، به طوری که شبکه عصبی مکرر می‌تواند به طور واقعی از اطلاعات زمان‌بندی طولانی‌مدت به طور مؤثر استفاده کند. برخلاف شبکه های عصبی بازگشتی سنتی، شبکه های حافظه طولانی کوتاه مدت دارای واحد حافظه پیچیده تری است که می تواند حافظه خوبی را برای سری های زمانی طولانی مدت حفظ کند. بنابراین، این مدل به صورت بالقوه عملکرد نسبتاَ بهتری در مسئله پیش‌بینی سری‌های زمانی پارامترهایی مانند دمای سطح دریا دارد و در سال‌های اخیر یک کانون تحقیقاتی در زمینه یادگیری ماشین بوده است. |
| کلیدواژه ها: |
| دمای سطح دریا، پیش بینی، شبکه عصبی بازگشتی، حافظه طولانی کوتاه مدت |
| وضعیت : مقاله برای ارائه به صورت پوستر پذیرفته شده است |
