پیش بینی میزان آلایندگی دی اکسید نیتروژن با استفاده از شبکه عصبی پرسپترون چندلایه با نظارت الگوریتم های تکاملی
محل انتشار: نخستین کنفرانس بین المللی فناوری اطلاعات
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 617
فایل این مقاله در 6 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
FBFI01_035
تاریخ نمایه سازی: 9 مرداد 1395
چکیده مقاله:
امروزه مشکلات ناشی از آلودگی هوا در کلان شهرها به یک چالش زیست محیطی اساسی تبدیل شده است. این مشکل در مورد شهر تهران به دلیل حجم ترافیکی سنگین ناشی از ترابری، استفاده از خودروهای غیراستاندارد، احتراق ناقص سوخت های مورد استفاده خودروها و بی توجهی ای که طی سال های گذشته نسبت به آلودگی هوا صورت گرفته، اهمیت ویژه ای دارد. پیش بینی غلظت روزانه آلاینده های هوا اولین گام اساسی در برنامه ریزی کاهش اثرات آن ها است. در این مقاله، ابتدا داده ها از ایستگاه هواشناسی و آلودگی اقدسیه تهران جمع آوری می شود و سپس پیش پردازش داده ها صورت می گیرد که شامل، پاک سازی داده ها، نرمال سازی خطی و انتخاب ویژگی است. سپس شبکه عصبی پرسپترون چندلایه با استفاده از الگوریتم کرم شب تاب آموزش داده می شود و خطای آن با آموزش شبکه عصبی با الگوریتم های بهینه سازی ازدحام ذرات و ژنتیک مقایسه می شود. نتایج نشان می دهد که شبکه عصبی پرسپترون چندلایه آموزش یافته با الگوریتم کرم شب تاب با میانگین مربعات خطای 0.0812 به عنوان بهترین مدل می تواند پیش بینی میزان آلایندگی دی اکسید نیتروژن را انجام دهد.
کلیدواژه ها:
پیش بینی ، الگوریتم تحلیل مولفه های اصلی ، شبکه عصبی پرسپترون چندلایه ، الگوریتم ژنتیک ، الگوریتم بهینه سازی ازدحام ذرات ، الگوریتم کرم شبتاب
نویسندگان
منیرسادات نقیبی
دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
احمد خادم زاده
گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :