Herr Beikzadeh hat seine Masterarbeit in dem Abschlusskolloquium und Prüfung erfolgreich verteidigt. In seiner Arbeit hat Herr Beikzadeh das Thema „Forecasting of rare events through Artificial Neural Networks and their application on flood prediction in catchment area Goslar” überarbeitet.
Abstract:
In dieser Arbeit wurde versucht, den Wasserstand an der Messstation Sennhütte im Raum Goslar, einer Stadt in Niedersachsen, Deutschland, mit Hilfe von Künstlichen Neuronalen Netzen (ANN) vorherzusagen. Die Anwendung des Long-Short-Term-Memory (LSTM)-Modells hat gezeigt, dass eine 2-Stunden-Vorhersage der Wasserstände an der Messstation Sennhütte möglich ist. Allerdings überschreiten die Vorhersagen des LSTM-Modells im Testmodus einen bestimmten Schwellenwert nicht, wenn die Eingaben in das Modell größer sind als die Trainingseingaben. In dieser Arbeit wird davon ausgegangen, dass die Präsentation der aufeinanderfolgenden Zeitreihendaten für das Modell zu einer Sättigung der Aktivierungsfunktionen führt, wodurch die Ausgabe der Aktivierungsfunktionen einen Sättigungswert erreicht, so dass die Ausgaben des Modells für die Eingaben mit hohem Betrag fast gleich sind. In dieser Arbeit wurde eine Technik auf Neuronenebene vorgeschlagen, bei der die Aktivierungsfunktionen durch modifizierte Aktivierungsfunktionen ersetzt werden. Um diese Technik zu implementieren, wurde ein MLP-Modell (Multilayer Perceptrons) mit einer Sigmoid- Aktivierungsfunktion in jeder Einheit betrachtet. Die Ergebnisse des MLPs-Modells mit modifizierten Sigmoid-Funktionen zeigten Verbesserungen im Vergleich zum LSTMModell im Testmodus. Die Modellausgänge für die großen Eingaben überschritten die Begrenzung, aber die Modellvorhersagen hatten negative Werte und irrationale Schwankungen. Eine Analyse der Ergebnisse zeigte, dass ein MLP-Modell mit Sigmoid-Aktivierungsfunktionen nicht nur ähnliche Ergebnisse erzielen, sondern auch negative Vorhersagen und irrationale Fluktuationen vermeiden konnte. Darüber hinaus zeigte eine Analyse der Aktivierungsfunktionen des MLP-Modells, dass die Aktivierungsfunktionen während der Testphase gesättigt werden. In dieser Arbeit wurde ein MLP-Modell mit einer ReLU-Aktivierungsfunktion vorgeschlagen, um das Problem der Sättigung im Falle eines Anstiegs der Eingangsgrößen zu überwinden.
